2026-08-16
[자율제조 시리즈 ⑥] Digital Twin은 왜 자율제조의 검증환경이 되어야 하는가?
### 현실을 보여주는 모델에서 AI의 판단을 시험하는 가상 제조환경으로 Digital Twin을 이야기하면 가장 먼저 떠올리는 것은 3차원으로 구현된 공장이다. 화면에는 생산라인과 설비가 실제와 비슷한 모습으로 배치되어 있고, 설비의 가동상태와 센서값이 색상과 그래프로 표시된다. 고장이 발생한 설비는 빨간색으로 바뀌고, AGV와 로봇의 이동도 실시간으로 확인할 수 있다. 이러한 시각화는 현장을 이해하는 데 도움이 된다. 그러나 공장을 3차원으로 보여준다고 해서 Digital Twin이 완성되는 것은 아니다. 현실의 데이터를 화면에 표시하는 것은 현재 상태를 관찰하는 기능에 가깝다. 자율제조에 필요한 Digital Twin은 현재를 보여주는 것을 넘어 미래의 변화를 예측하고, AI가 제안한 행동을 실제 설비에 적용하기 전에 시험할 수 있어야 한다. 예를 들어 AI가 다음과 같은 판단을 내렸다고 가정해보자. > *“불량률을 낮추기 위해 금형온도를 3℃ 높이고 보압시간을 0.2초 늘려야 한다.”* 이 판단을 곧바로 설비에 적용하면 제품 중량의 편차는 줄어들 수 있다. 그러나 사이클타임이 증가하거나 다른 유형의 불량이 발생할 수도 있다. 금형의 열변형과 설비부하가 커지고 에너지 사용량이 증가할 가능성도 있다. AI가 제안한 하나의 조치가 품질과 생산량, 설비수명, 에너지와 납기에 서로 다른 영향을 줄 수 있다. 따라서 다음과 같은 질문이 필요하다. **“AI가 어떤 조치를 제안했는가?”** 뿐만 아니라, **“그 조치를 실제 공장에 적용하기 전에 어떤 결과가 발생할지 검증했는가?”** 자율제조에서 Digital Twin은 단순한 가상공장이 아니다. **현실의 제조시스템을 데이터와 모델로 재현하고, AI의 판단과 운영변경이 가져올 결과를 실제 실행 전에 검증하는 가상 제조환경**이다. 이번 글에서는 Digital Twin이 왜 자율제조의 핵심 검증환경이 되어야 하는지 살펴보고자 한다. --- ### 목차 1. Digital Twin은 3D 공장과 무엇이 다른가 2. 자율제조에서 Digital Twin이 필요한 이유 3. 현실과 가상모델은 어떻게 연결되는가 4. Digital Twin은 무엇을 모델링해야 하는가 5. 모델의 정밀도는 높을수록 좋은가 6. AI의 판단은 Digital Twin에서 어떻게 검증되는가 7. Digital Twin의 결과를 어떻게 신뢰할 수 있는가 8. 하나의 Twin에서 Digital Thread와 Twin의 연합으로 9. 현실적인 제조 Digital Twin 구축방법 10. 경영진은 3D 화면보다 무엇을 확인해야 하는가 --- ## 1. Digital Twin은 3D 공장과 무엇이 다른가 Digital Twin과 비슷한 표현으로 Digital Model과 Digital Shadow가 함께 사용된다. 이들을 엄격하게 구분하는 방식은 기관과 연구에 따라 차이가 있지만, 데이터의 연결방향과 활용목적을 기준으로 실무적으로 구분하면 이해하기 쉽다. ### ① Digital Model 현실의 제품과 설비, 공정을 디지털로 표현한 모델이다. CAD로 작성한 설비 형상, 생산라인의 3D 모델, 공정 시뮬레이션 모델이 여기에 해당할 수 있다. Digital Model은 현실을 설명하지만 현실의 상태가 자동으로 반영되지 않을 수 있다. 설비조건이나 생산계획이 변경되면 사용자가 모델을 직접 수정해야 한다. ### ② Digital Shadow 현실에서 발생한 데이터가 디지털 모델에 자동으로 반영된다. PLC와 센서, MES의 데이터가 연결되어 설비의 가동상태와 생산실적, 품질현황을 확인할 수 있다. 현실의 변화가 디지털 공간에 반영되기 때문에 현재상태를 관찰하고 분석하는 데 유용하다. 그러나 디지털 공간의 판단이 현실에 다시 반영되는 구조는 제한적일 수 있다. ### ③ Digital Twin 현실의 제조대상과 디지털 표현이 지속해서 연결된다. 현실의 데이터가 Twin을 갱신하고, Digital Twin은 현재상태를 분석하고 미래의 변화를 예측한다. 가상환경에서 여러 대응방안을 시험한 뒤 검증된 결과를 실제 제조운영에 반영할 수도 있다. 정리하면 다음과 같다. **Digital Model** > *현실을 디지털로 표현한다.* **Digital Shadow** > *현실의 변화가 디지털 모델에 반영된다.* **Digital Twin** > *현실과 디지털 모델이 연결되고, 분석과 시뮬레이션 결과가 다시 현실의 의사결정에 활용된다.* 그러나 양방향 데이터 연결만 있다고 해서 항상 충분한 Digital Twin이라고 보기는 어렵다. 모델이 실제 제조현상을 올바르게 설명하지 못하거나 시뮬레이션 결과의 오차를 알 수 없다면 잘못된 판단을 현실에 전달할 수 있다. NIST는 제조 Digital Twin을 스마트센서와 IIoT, AI, 모델링과 시뮬레이션을 이용해 제조시스템을 관찰·진단·예측·최적화하는 수단으로 설명한다. 또한 신뢰할 수 있는 Digital Twin을 위해 모델의 검증과 불확실성 정량화가 필요하다고 강조한다. [NIST Digital Twins for Advanced Manufacturing](https://www.nist.gov/programs-projects/digital-twins-advanced-manufacturing) 따라서 Digital Twin의 핵심은 화려한 3D 그래픽이 아니다. **현실을 설명하는 모델이 실제 데이터로 갱신되고, 그 모델을 이용한 판단의 결과를 다시 현실에서 활용할 수 있는가**이다. --- ## 2. 자율제조에서 Digital Twin이 필요한 이유 기존의 자동화시스템은 미리 정해진 규칙에 따라 동작한다. 온도가 기준을 넘으면 설비를 정지하거나, 센서가 제품을 감지하면 로봇이 정해진 동작을 수행한다. 규칙과 조건이 명확한 업무에서는 이러한 방식이 효과적이다. 그러나 자율제조에서는 AI가 현장의 상황에 따라 새로운 판단을 내릴 수 있다. * 생산순서를 변경한다. * 설비속도를 조정한다. * 공정조건을 변경한다. * AGV의 이동경로를 바꾼다. * 정비시점을 앞당긴다. * 일부 제품의 품질검사를 확대한다. * 에너지 사용을 줄이기 위해 설비운전을 분산한다. 이러한 판단은 사전에 모든 결과를 규칙으로 정의하기 어렵다. 또한 하나의 변경이 여러 공정과 KPI에 연쇄적으로 영향을 줄 수 있다. 예를 들어 생산계획 AI가 긴급주문을 반영하기 위해 작업순서를 변경했다고 가정해보자. 납기는 맞출 수 있지만 금형교체 횟수가 증가할 수 있다. 원재료 준비가 늦어지고 재공품이 특정 공정에 집중될 수도 있다. 계획정비 시간이 확보되지 않아 설비고장 위험이 커질 가능성도 있다. 사람이 이러한 영향을 모두 계산하는 것은 쉽지 않다. 그러나 AI의 판단을 검증 없이 실제 공장에 적용하는 것도 위험하다. Digital Twin은 이 사이에서 다음과 같은 역할을 수행한다. ### 첫째, 실행 전에 결과를 예상한다 AI가 제안한 공정조건과 생산계획을 가상환경에 적용해 품질과 생산량, 설비부하가 어떻게 변하는지 확인한다. ### 둘째, 여러 대안을 비교한다 하나의 대응안만 검토하지 않고 여러 시나리오의 결과를 비교한다. * 생산량을 우선한 계획 * 납기를 우선한 계획 * 에너지 사용을 줄이는 계획 * 설비부하를 최소화하는 계획 * 품질위험을 최소화하는 계획 ### 셋째, 실제 공장에서 시험하기 어려운 상황을 검증한다 설비고장과 화재, 통신장애, 공급중단과 같은 상황을 실제 공장에서 의도적으로 발생시키기는 어렵다. Digital Twin에서는 이러한 예외상황을 가상으로 만들고 대응절차를 시험할 수 있다. ### 넷째, AI를 운영 전에 시험한다 새로운 AI 모델을 실제 제어에 연결하기 전에 과거 데이터와 가상환경을 이용해 판단결과를 검증한다. ### 다섯째, 실행 후 예상과 현실을 비교한다 실제로 실행한 결과가 Digital Twin의 예상과 얼마나 일치했는지 확인한다. 차이가 발생하면 모델과 AI를 수정하고 다음 판단에 반영한다. Digital Twin은 자율제조의 Closed Loop 안에서 다음과 같은 위치를 가진다. **현실 데이터 수집** ↓ **AI의 상황 인식과 판단** ↓ **Digital Twin을 통한 가상실행** ↓ **품질·안전·생산성 영향 검증** ↓ **사람의 승인 또는 자동승인** ↓ **현실의 설비와 시스템에서 실행** ↓ **실행결과와 예상결과 비교** ↓ **AI와 Twin의 학습 및 보정** 자율제조에서 Digital Twin이 필요한 이유는 현실을 멋지게 보여주기 위해서가 아니다. **AI의 판단과 실제 실행 사이에 검증단계를 만들기 위해서**다. --- ## 3. 현실과 가상모델은 어떻게 연결되는가 Digital Twin은 현실의 설비와 공정을 한 번 모델링한다고 완성되지 않는다. 현실의 상태가 계속 변하기 때문이다. 설비부품은 마모되고, 원재료의 특성은 LOT마다 달라진다. 작업자와 생산제품이 바뀌고 계절에 따라 온도와 습도도 변한다. Digital Twin이 현실을 대신해 판단하려면 이러한 변화가 모델에 반영되어야 한다. 현실과 Digital Twin의 연결은 일반적으로 다음과 같은 흐름으로 구성할 수 있다. ### ① 현실 제조대상 Digital Twin의 대상이 되는 제품과 설비, 공정, 생산라인이다. ISO 23247에서는 이를 관찰 가능한 제조요소(Observable Manufacturing Element)라는 개념으로 다룬다. 대상은 하나의 센서나 부품일 수도 있고, 설비와 생산라인 또는 공장 전체일 수도 있다. ### ② 데이터 수집 현실의 상태를 확인하기 위해 다양한 데이터를 수집한다. * 센서의 온도·압력·진동·전류 * PLC의 운전조건과 알람 * CNC와 로봇의 위치 및 속도 * MES의 작업지시와 생산실적 * QMS의 검사결과 * CMMS의 고장과 정비이력 * ERP의 주문·재고·원가정보 * 작업자의 점검과 조치기록 ### ③ 데이터 맥락화 수집한 데이터를 제품과 LOT, 설비, 공정, 작업지시에 연결한다. 온도 180℃라는 값만 전달하는 것이 아니라 어떤 제품을 어느 설비에서 생산할 때 어느 위치에서 측정한 값인지 설명할 수 있어야 한다. ### ④ 상태추정 직접 측정하기 어려운 상태를 수집데이터와 모델을 이용해 추정한다. * 공구와 베어링의 마모상태 * 설비의 잔여수명 * 제품 내부의 온도분포 * 공정 중 제품의 품질상태 * 배관 내부의 압력과 유동상태 현장의 모든 상태를 센서로 직접 측정할 수 없기 때문에 Digital Twin은 관측된 데이터로 보이지 않는 상태를 추정한다. ### ⑤ 모델 갱신 현실에서 발생한 변화를 반영해 모델의 변수와 조건을 조정한다. 설비가 노후화되거나 새로운 원재료가 투입되면 동일한 운전조건에서도 결과가 달라질 수 있다. 이 차이를 모델에 반영하지 않으면 Digital Twin은 현실에서 멀어진다. ### ⑥ 시뮬레이션과 분석 현재상태를 기준으로 미래의 변화를 예측하거나 여러 운영대안을 시험한다. ### ⑦ 의사결정 지원과 실행연계 검증된 결과를 작업자에게 제공하거나 MES와 CMMS, 제어시스템에 전달한다. ISO 23247 시리즈는 제조 Digital Twin의 기본원칙과 참조구조, 제조요소의 디지털 표현 및 정보교환 요구사항을 제시한다. [ISO 23247-1:2021](https://www.iso.org/standard/75066.html), [ISO 23247-2:2021](https://www.iso.org/standard/78743.html), [ISO 23247-3:2021](https://www.iso.org/standard/78744.html), [ISO 23247-4:2021](https://www.iso.org/standard/78745.html) 여기에서 중요한 것은 데이터의 실시간성만이 아니다. 모든 Digital Twin이 밀리초 단위의 데이터 갱신을 필요로 하지는 않는다. 로봇충돌을 검증하는 Twin은 매우 빠른 갱신이 필요할 수 있지만, 설비의 주간 정비계획을 분석하는 Twin은 분 또는 시간 단위의 갱신으로 충분할 수 있다. 갱신주기는 활용목적에 맞게 정해야 한다. 현실과 Digital Twin의 연결에서 핵심은 무조건 빠른 데이터가 아니다. **판단에 필요한 상태가 필요한 시점에 정확한 의미와 함께 Twin에 반영되는 것**이다. --- ## 4. Digital Twin은 무엇을 모델링해야 하는가 제조공장을 하나의 모델로 완벽하게 표현하는 것은 현실적으로 어렵다. 제품의 형상과 재료특성, 설비의 물리적 움직임, 작업자의 행동, 생산계획과 물류흐름까지 모두 다른 방식으로 표현해야 하기 때문이다. 따라서 Digital Twin은 목적에 따라 필요한 모델을 조합해야 한다. ### ① 기하학적 모델 제품과 설비, 공장의 형상과 공간관계를 표현한다. * 제품과 부품의 3D CAD * 설비와 생산라인의 배치 * 로봇의 작업공간 * AGV와 작업자의 이동경로 * 배관과 전기설비의 위치 * 안전구역과 간섭영역 기하학적 모델은 충돌과 간섭, 공간배치, 작업동선을 검증하는 데 유용하다. ### ② 물리 모델 현실에서 발생하는 물리현상을 수식과 해석모델로 표현한다. * 열전달과 냉각 * 응력과 변형 * 유체의 압력과 흐름 * 진동과 마찰 * 전력과 에너지 * 로봇과 설비의 운동 물리 모델은 공정조건 변화가 제품과 설비에 미치는 영향을 설명하는 데 도움이 된다. 다만 계산량이 많아 실시간 운영에 적용하기 어려울 수 있다. ### ③ 데이터 기반 모델 과거의 센서와 생산·품질 데이터를 학습해 입력조건과 결과의 관계를 예측한다. * 품질예측 모델 * 설비 이상탐지 모델 * 고장과 잔여수명 예측 * 사이클타임 예측 * 에너지 사용량 예측 데이터 기반 모델은 복잡한 현상을 빠르게 예측할 수 있지만 학습하지 않은 조건에서는 신뢰도가 낮아질 수 있다. ### ④ 운영 모델 작업과 자재, 설비의 흐름을 표현한다. * 작업순서와 공정경로 * 설비별 처리시간 * 대기와 병목 * 자재와 재공품 이동 * 작업자 배치 * 금형과 공구 교체 * 고장과 정비일정 이산사건 시뮬레이션 등을 이용해 생산계획과 물류흐름을 검증할 수 있다. ### ⑤ 업무규칙 모델 제조현장에서 반드시 지켜야 하는 조건과 판단기준을 표현한다. * 제품별 공정조건의 허용범위 * 작업자의 자격요건 * 품질검사와 승인절차 * 설비의 안전조건 * 자재 대체사용 규칙 * 고객별 우선순위 * 정비와 교정기준 업무규칙은 AI가 수학적으로 좋은 결과를 제시하더라도 현장에서 실행할 수 없는 판단을 걸러낸다. ### ⑥ 경제성과 KPI 모델 운영변경이 생산성과 비용에 미치는 영향을 계산한다. * 생산량과 설비가동률 * 불량과 재작업 비용 * 전환과 준비시간 * 재고와 물류비용 * 에너지 사용량 * 납기지연 비용 * 설비정지 손실 ### ⑦ 사람과 조직의 모델 제조는 설비만으로 운영되지 않는다. 작업자의 숙련도와 근무시간, 이동, 피로도와 안전도 생산결과에 영향을 준다. 다만 사람을 모델링할 때는 개인정보보호와 노동권, 감시의 문제를 함께 고려해야 한다. 하나의 Digital Twin에 이러한 모델을 모두 넣을 필요는 없다. 예지보전을 위한 Twin은 설비의 상태와 정비이력이 중요하다. 생산계획을 위한 Twin은 공정경로와 처리시간, 자원제약이 중요하다. 사출성형 품질을 위한 Twin은 원재료와 금형, 공정조건과 제품 품질의 관계가 중요하다. 좋은 Digital Twin은 가장 많은 모델을 가진 Twin이 아니다. **해결할 문제와 검증할 의사결정에 필요한 현실을 적절한 수준으로 표현한 Twin**이다. --- ## 5. 모델의 정밀도는 높을수록 좋은가 Digital Twin을 구축할 때 현실과 똑같이 만들겠다는 목표를 세우기 쉽다. 설비의 모든 부품을 3차원으로 구현하고, 모든 센서데이터를 연결하며, 모든 물리현상을 정밀하게 계산하려고 한다. 그러나 현실을 완벽하게 복제하는 것은 불가능하다. 정밀한 모델은 많은 데이터와 계산자원, 개발비용을 요구한다. 시뮬레이션 시간이 길어져 실제 의사결정 시점에 결과를 제공하지 못할 수도 있다. 반대로 모델이 지나치게 단순하면 중요한 현상을 설명하지 못한다. 따라서 Digital Twin의 정밀도 또는 충실도(Fidelity)는 활용목적에 맞게 정해야 한다. 예를 들어 생산라인의 월간 생산능력을 분석하려면 설비 내부의 볼트와 배선까지 모델링할 필요는 없다. 다음의 정보가 더 중요하다. * 설비별 처리시간 * 고장과 정비시간 * 작업순서 * 자재공급 * 공정 간 대기 * 제품별 생산비율 반면 로봇과 작업자의 충돌위험을 검증하려면 설비의 형상과 로봇궤적, 안전구역을 정확하게 표현해야 한다. 공정품질을 예측하려면 온도와 압력, 재료특성, 금형상태의 모델이 필요하다. Digital Twin의 충실도는 다음과 같은 관점에서 평가할 수 있다. ### ① 공간적 충실도 제품과 설비의 형상, 위치와 간격이 현실과 얼마나 일치하는가. ### ② 시간적 충실도 현실의 변화가 얼마나 적절한 주기와 지연시간으로 반영되는가. ### ③ 물리적 충실도 온도와 압력, 운동, 마모와 같은 물리현상을 얼마나 정확하게 설명하는가. ### ④ 행동적 충실도 설비와 공정이 실제 운전규칙과 동일하게 동작하는가. ### ⑤ 데이터 충실도 센서와 생산, 품질데이터가 정확한 단위와 의미로 연결되는가. ### ⑥ 운영적 충실도 작업자와 자재, 설비, 생산계획의 제약조건이 현실적으로 반영되는가. ### ⑦ 시각적 충실도 화면의 모습이 현실과 얼마나 비슷한가. 이 가운데 어떤 충실도가 중요한지는 활용목적에 따라 달라진다. 3D 화면은 정교하지만 공정의 열변형을 계산하지 못할 수 있다. 시각적으로 단순한 수학모델이 품질변화를 더 정확하게 예측할 수도 있다. 모든 영역의 충실도를 가장 높은 수준으로 만드는 것보다, **검증하려는 판단에 영향을 주는 요소를 정확하게 표현하는 것이 중요하다.** --- ## 6. AI의 판단은 Digital Twin에서 어떻게 검증되는가 Digital Twin은 AI가 제안한 행동을 가상으로 실행해 결과를 비교하는 역할을 한다. 이 과정을 단계별로 살펴보면 다음과 같다. ### ① 현실상태 동기화 현재 생산제품과 작업지시, 설비상태, 원재료와 공정조건을 Digital Twin에 반영한다. 오래된 상태에서 시뮬레이션하면 현재 공장에 맞지 않는 결과가 나올 수 있다. ### ② AI의 대응안 생성 AI가 현재상황과 목표를 바탕으로 하나 이상의 대응방안을 만든다. 예를 들어 생산계획 AI는 다음과 같은 대안을 제시할 수 있다. * A안: 긴급주문의 납기를 최우선으로 조정 * B안: 기존 고객의 납기지연을 최소화 * C안: 금형교체와 준비시간을 최소화 * D안: 설비부하와 고장위험을 최소화 ### ③ 가상실행 각 대응안을 Digital Twin에 적용한다. 현실의 설비와 생산시스템에는 아직 변경사항을 전달하지 않는다. ### ④ 결과예측 각 대안이 다음의 KPI에 미치는 영향을 계산한다. * 주문별 완료예정시간 * 설비가동률과 병목 * 금형교체와 준비시간 * 재공품과 재고 * 불량발생 가능성 * 에너지 사용량 * 설비부하와 정비위험 * 작업자의 투입시간 ### ⑤ 제약조건 검증 대안이 반드시 지켜야 하는 조건을 만족하는지 확인한다. * 안전조건 * 품질규격 * 설비의 운전범위 * 작업자 자격과 근무시간 * 자재와 공구의 가용성 * 고객 납기 * 환경과 에너지 제한 ### ⑥ 대안비교 각 대안의 장점과 부작용을 함께 비교한다. 예를 들면 다음과 같다. | 대안 | 긴급주문 납기 | 기존 주문 영향 | 교체시간 | 설비부하 | 판단 | | -- | ------: | -------: | ---: | ---: | ------- | | A안 | 충족 | 2건 지연 | 높음 | 높음 | 조건부 적용 | | B안 | 4시간 지연 | 영향 없음 | 보통 | 보통 | 안정적 | | C안 | 1일 지연 | 영향 없음 | 최소 | 낮음 | 비용 우수 | | D안 | 8시간 지연 | 1건 지연 | 보통 | 최소 | 고장위험 우수 | AI는 단순히 “A안이 최적”이라고 제시해서는 안 된다. 어떤 목표에 가중치를 두었는지, 다른 KPI에는 어떤 영향이 있는지 설명해야 한다. ### ⑦ 승인과 실행 검증결과가 기준을 만족하면 담당자가 승인하거나 사전에 정의된 규칙에 따라 자동승인한다. 승인된 결과만 MES와 CMMS, PLC 또는 제어시스템에 전달한다. ### ⑧ 현실결과 비교 실행 후 실제 생산결과와 Digital Twin의 예상결과를 비교한다. * 예상한 사이클타임과 실제 사이클타임 * 예상불량률과 실제불량률 * 예상에너지와 실제에너지 * 예상완료시간과 실제완료시간 * 예상설비부하와 실제설비상태 차이가 허용범위를 벗어나면 모델과 데이터, 가정을 다시 확인한다. Digital Twin을 이용한 AI 검증은 처음부터 실제 실행으로 연결하지 않고 다음과 같이 단계적으로 운영할 수 있다. **오프라인 검증** > 과거 데이터를 이용해 AI와 Twin의 결과를 평가한다. **Shadow Mode** > 실제 공장의 데이터를 실시간으로 받지만 판단결과는 현실에 실행하지 않는다. 기존 작업자의 결정과 AI의 결정을 비교한다. **Advisory Mode** > AI가 대응안을 추천하고 Digital Twin의 검증결과를 작업자에게 제공한다. **Approval Mode** > AI가 실행안을 작성하지만 담당자의 승인을 받은 뒤 적용한다. **Limited Autonomous Mode** > 사전에 검증된 조건과 허용범위 안에서만 자동실행한다. 이 과정의 핵심은 Digital Twin에서 성공한 결과를 곧바로 일반화하지 않는 것이다. 가상환경과 현실에는 항상 차이가 존재한다. 따라서 작은 변경부터 실제에 적용하고 결과를 확인해야 한다. **Simulation-to-Reality의 차이를 지속해서 측정하고 줄이는 과정**이 필요하다. --- ## 7. Digital Twin의 결과를 어떻게 신뢰할 수 있는가 Digital Twin의 결과가 그럴듯하게 보인다고 해서 신뢰할 수 있는 것은 아니다. 잘못된 데이터와 가정으로 만든 정교한 시뮬레이션은 오히려 잘못된 판단에 확신을 줄 수 있다. Digital Twin의 신뢰성을 확보하려면 검증(Verification), 타당성 확인(Validation), 불확실성 정량화(Uncertainty Quantification)를 구분해야 한다. ### ① Verification: 모델을 의도한 대로 구현했는가 모델의 수식과 논리, 소프트웨어가 설계한 내용대로 작동하는지 확인한다. 예를 들면 다음과 같다. * 공정순서가 정확하게 구현됐는가 * 설비의 처리시간 단위가 올바른가 * 자재제약과 우선순위 규칙이 정상적으로 작동하는가 * 계산과 인터페이스에 오류가 없는가 * 입력조건에 따라 예상한 방향으로 결과가 변하는가 Verification은 쉽게 표현하면, > *“모델을 제대로 만들었는가?”* 를 확인하는 과정이다. ### ② Validation: 모델이 현실을 충분히 설명하는가 Digital Twin의 결과를 실제 제조데이터와 비교한다. * 설비의 실제 동작과 가상동작 * 실제 생산량과 예측 생산량 * 실제 사이클타임과 모델의 사이클타임 * 실제 품질결과와 예측결과 * 실제 에너지 사용량과 계산결과 Validation은, > *“올바른 현실을 모델링했는가?”* 를 확인하는 과정이다. ### ③ Uncertainty Quantification: 결과가 얼마나 불확실한가 제조현장의 데이터와 모델에는 불확실성이 존재한다. * 센서의 측정오차 * 원재료의 편차 * 작업시간의 변동 * 설비고장의 불확실성 * 모델의 단순화 * 학습데이터의 부족 * 미래 주문과 작업조건의 변화 따라서 Digital Twin의 결과를 하나의 확정값으로 제시하는 것보다 범위와 확률로 표현해야 한다. > *“생산완료 예상시간은 오후 4시 20분이다.”* 보다, > *“현재 조건에서 생산완료시간은 오후 4시 10분에서 4시 50분 사이로 예상되며, 오후 5시 이전 완료 가능성은 85%다.”* 라고 제시하는 것이 의사결정에 더 유용하다. ### ④ 적용목적에 따른 검증 하나의 Digital Twin이 모든 목적에서 동일한 신뢰도를 갖는 것은 아니다. 생산량 예측에는 충분한 모델이라도 로봇충돌을 판단하기에는 정확하지 않을 수 있다. 따라서 다음을 명시해야 한다. * 어떤 목적으로 사용할 수 있는가 * 어떤 제품과 설비에 적용되는가 * 어떤 운전조건에서 검증됐는가 * 허용오차는 얼마인가 * 어떤 조건에서는 사용할 수 없는가 NIST는 제조 Digital Twin의 신뢰성을 위해 데이터와 모델, 결과에 대한 검증과 불확실성 정량화가 필요하다고 설명하며, 제조 Digital Twin을 위한 VVUQ 프레임워크 표준화와 테스트베드 연구를 추진하고 있다. [NIST Digital Twins for Advanced Manufacturing](https://www.nist.gov/programs-projects/digital-twins-advanced-manufacturing), [NIST Validating and Advancement](https://www.nist.gov/digital-twins/validating-and-advancement) ### ⑤ 지속적인 재검증 Digital Twin은 한 번 검증한 뒤 계속 사용할 수 있는 고정모델이 아니다. 다음과 같은 변화가 발생하면 재검증이 필요하다. * 설비와 부품의 교체 * 금형과 공구의 변경 * 신제품과 신규 원재료 투입 * 공정조건과 작업표준 변경 * 센서와 데이터 수집방식 변경 * AI 모델 업데이트 * 생산계획과 제품구성 변화 Digital Twin의 신뢰도는 모델의 이름이나 공급업체가 보장하지 않는다. **예상결과와 현실결과를 지속해서 비교하고, 적용 가능한 범위와 오차를 관리하는 과정**에서 만들어진다. --- ## 8. 하나의 Twin에서 Digital Thread와 Twin의 연합으로 제조현장의 Digital Twin은 하나만 존재하지 않는다. 제품의 Twin과 설비의 Twin, 공정의 Twin, 생산라인과 물류의 Twin이 서로 다른 목적과 기술로 구축될 수 있다. 예를 들어 하나의 자동차부품을 생산하려면 다음의 Twin이 필요할 수 있다. * 제품 형상과 품질특성의 Product Twin * 금형과 프레스 설비의 Asset Twin * 성형과 용접, 도장공정의 Process Twin * 생산라인과 물류흐름의 System Twin * 공구와 설비의 유지보수 Twin * 완제품의 사용과 서비스 Twin 문제는 각각의 Twin이 서로 다른 데이터와 코드, 시간과 모델을 사용한다는 것이다. 제품 Twin에서는 설계품번을 사용하지만 MES에서는 생산품목코드를 사용할 수 있다. 설비 Twin과 정비시스템의 설비코드가 다를 수도 있다. 이들이 연결되지 않으면 하나의 공정변경이 제품과 설비, 생산계획에 미치는 영향을 함께 검증하기 어렵다. ### Digital Thread의 역할 Digital Thread는 제품과 제조시스템의 생애주기에서 생성되는 정보를 연결하는 데이터의 흐름이다. * 제품 요구사항 * 설계와 도면 * 공정설계 * 생산계획 * 작업지시 * 설비운전 * 품질검사 * 출하와 서비스 * 정비와 변경이력 Digital Thread가 연결되면 Digital Twin은 설계값과 현재 운전상태, 품질결과를 함께 활용할 수 있다. 2026년 발행된 ISO 23247-5는 설계·계획·생산·시험을 포함한 제품 생애주기 전반에서 Digital Thread가 제조 Digital Twin의 생성과 연결, 관리와 유지에 어떻게 활용되는지를 다룬다. [ISO 23247-5:2026](https://www.iso.org/standard/87425.html) ### 여러 Digital Twin의 결합 공장 전체를 하나의 거대한 Twin으로 만들기보다 목적별로 구축된 여러 Twin을 연결하는 방식이 현실적일 수 있다. 예를 들어 생산계획을 변경할 때 다음의 Twin을 연계할 수 있다. **생산라인 Twin** > 병목과 생산완료시간을 분석한다. **설비 Twin** > 변경된 부하가 고장위험에 미치는 영향을 분석한다. **품질 Twin** > 생산속도와 공정조건 변경이 불량에 미치는 영향을 분석한다. **에너지 Twin** > 설비운전 변경에 따른 에너지 피크를 분석한다. **물류 Twin** > 원재료와 재공품의 이동 및 적체를 분석한다. ISO 23247-6:2026은 여러 제조 Digital Twin의 통신과 집계, 상호운용을 위한 Digital Twin Composition을 다룬다. 서로 다른 개발주체가 구축한 Twin을 결합할 수 있도록 통합형, 통일형, 연합형 구성방식과 구현지침을 제시한다. [ISO 23247-6:2026](https://www.iso.org/standard/87426.html) Digital Twin의 확장은 모든 모델을 하나의 시스템에 넣는 방향이 아니다. **각 Twin의 역할과 데이터, 책임을 구분하면서 필요한 의사결정에 따라 서로 연결하는 방향**으로 이루어져야 한다. --- ## 9. 현실적인 제조 Digital Twin 구축방법 Digital Twin을 구축한다고 처음부터 공장 전체를 3D로 구현하면 범위와 비용이 지나치게 커질 수 있다. 먼저 하나의 제조문제와 하나의 판단을 선택해야 한다. 예를 들어 프레스 생산라인의 비계획 정지와 생산지연을 줄이는 것을 목표로 한다면 다음과 같이 접근할 수 있다. ### ① 해결할 문제를 정의한다 > *“프레스 설비의 고장위험을 반영해 생산계획을 조정하고 비계획 정지로 인한 납기지연을 줄인다.”* “공장 Digital Twin 구축”처럼 기술을 목표로 정하지 않는다. 줄여야 할 손실과 개선할 KPI를 명확하게 정의한다. ### ② 검증할 의사결정을 정한다 Digital Twin에서 무엇을 시험할 것인지 정한다. * 생산순서 변경 * 설비별 작업 재배정 * 예방정비 시점 조정 * 설비속도 제한 * 대체설비 사용 * 안전재고와 납기 조정 ### ③ 대상범위를 제한한다 첫 단계에서는 하나의 제품군과 생산라인, 주요 설비를 대상으로 한다. Twin의 대상과 적용조건, 제외범위를 명확하게 정한다. ### ④ 필요한 모델을 선택한다 목표에 필요한 모델만 구성한다. * 설비별 처리시간 * 제품별 공정경로 * 고장확률과 정비시간 * 금형과 공구의 가용성 * 작업자와 자재제약 * 주문별 납기 * 설비부하와 품질의 관계 생산지연 문제를 해결하는 데 필요하지 않다면 모든 부품의 정밀한 3D 모델은 후순위로 둔다. ### ⑤ 필요한 데이터를 연결한다 * MES의 작업지시와 생산실적 * PLC의 운전상태와 알람 * CMMS의 고장과 정비이력 * QMS의 품질결과 * ERP의 주문과 자재정보 * 설비별 처리시간과 준비시간 설비와 제품, 작업지시를 공통 식별자와 시간으로 연결한다. ### ⑥ 현재상태를 재현한다 Digital Twin의 생산량과 대기시간, 설비가동률이 실제 현장과 유사한지 확인한다. 현재를 설명하지 못하는 모델로 미래를 예측해서는 안 된다. ### ⑦ 과거사례로 검증한다 과거에 발생한 고장과 생산지연 상황을 Twin에서 다시 실행한다. 당시의 결과를 어느 정도 재현하는지 확인하고 모델의 변수와 규칙을 조정한다. ### ⑧ What-if 시나리오를 시험한다 * 프레스 1호기가 4시간 정지하면 어떻게 되는가 * 긴급주문이 추가되면 어느 설비에 배정해야 하는가 * 정비를 하루 앞당기면 납기에는 어떤 영향이 있는가 * 생산속도를 10% 줄이면 고장위험과 생산량은 어떻게 변하는가 * 원재료 공급이 지연되면 어떤 생산순서가 적절한가 ### ⑨ Shadow Mode로 운영한다 Digital Twin을 실제 데이터와 연결하되 실행에는 반영하지 않는다. 기존 계획과 Twin의 추천안을 비교하고 예상결과와 실제결과의 차이를 측정한다. ### ⑩ 승인형 실행으로 연결한다 충분히 검증된 뒤 Twin의 결과를 생산관리자와 설비담당자에게 제공한다. 담당자가 승인한 계획만 MES와 CMMS에 반영한다. ### ⑪ 제한적 자동화를 적용한다 위험이 낮고 검증된 범위에 한해 자동실행한다. * 정비점검 요청 생성 * 대체설비 추천 * 작업순서의 제한적 조정 * AGV 배차 변경 * 에너지 운전시간 조정 ### ⑫ 운영하며 지속해서 보정한다 예상결과와 실제결과의 차이를 지속해서 측정한다. 설비와 제품, 공정이 변경되면 Twin도 함께 갱신한다. 이 접근의 핵심은 다음과 같다. **3D 모델에서 시작하지 않는다.** **해결할 제조문제에서 시작한다.** **공장 전체에서 시작하지 않는다.** **하나의 의사결정에서 시작한다.** **곧바로 자동제어하지 않는다.** **가상검증과 Shadow Mode를 거쳐 권한을 확대한다.** Digital Twin의 첫 번째 성과는 공장을 멋지게 보여주는 것이 아니다. **현실에서 시험하기 어렵거나 위험한 의사결정을 가상환경에서 비교하고, 더 나은 선택을 할 수 있도록 만드는 것**이다. --- ## 10. 경영진은 3D 화면보다 무엇을 확인해야 하는가 Digital Twin 사업을 보고받을 때 경영진은 그래픽의 완성도에 주목하기 쉽다. 그러나 화면이 현실과 비슷하다고 해서 제조성과가 개선되는 것은 아니다. 다음과 같은 질문이 필요하다. **첫째, Digital Twin이 해결하려는 제조문제는 무엇인가.** 생산지연과 불량, 고장, 에너지, 물류와 같은 구체적인 문제가 정의되어야 한다. **둘째, 어떤 의사결정을 Digital Twin에서 검증하는가.** 단순히 현황을 보여주는지, 공정조건과 생산계획의 변경결과를 시험할 수 있는지 확인해야 한다. **셋째, 현실의 어떤 데이터가 Twin과 연결되어 있는가.** 센서값만 연결된 것인지, 제품과 LOT, 작업지시, 품질과 정비데이터까지 연결됐는지 확인해야 한다. **넷째, 현실과 Digital Twin은 얼마나 자주 동기화되는가.** 실시간이라는 표현보다 의사결정에 필요한 상태가 적절한 주기로 반영되는지가 중요하다. **다섯째, 모델은 실제결과와 비교해 검증됐는가.** 과거사례와 운영데이터를 이용해 예측오차와 적용범위를 확인해야 한다. **여섯째, Digital Twin의 결과에는 불확실성이 표시되는가.** 하나의 확정된 결과가 아니라 예상범위와 신뢰도를 함께 제시해야 한다. **일곱째, AI의 판단이 Twin에서 어떤 방식으로 검증되는가.** 품질과 생산성뿐 아니라 안전과 설비부하, 납기와 에너지에 미치는 영향을 확인해야 한다. **여덟째, Digital Twin의 결과를 누가 승인하고 실행하는가.** 모델의 결과가 자동으로 설비에 전달되는 범위와 사람의 승인범위를 구분해야 한다. **아홉째, 설비와 제품이 변경될 때 누가 Twin을 갱신하는가.** Digital Twin의 모델과 데이터, 규칙을 유지·관리할 책임조직이 필요하다. **열째, Digital Twin 도입 전후의 KPI는 어떻게 달라졌는가.** 시뮬레이션의 정밀도뿐 아니라 다음의 실제 성과를 확인해야 한다. * 의사결정 시간 단축 * 시험생산과 시운전 비용 감소 * 불량과 재작업 감소 * 비계획 정지 감소 * 생산계획 준수율 향상 * 설비와 로봇의 충돌 방지 * 에너지와 원재료 사용량 감소 * 변경에 따른 위험과 손실 감소 Digital Twin 사업의 목표는 가상공장을 보유하는 것이 아니다. **현실에서 시행착오를 일으키기 전에 가상환경에서 판단을 검증하고, 그 결과를 실제 제조성과로 연결하는 것**이다. --- ## 마치며 Digital Twin은 현실의 공장을 3차원으로 복제하는 기술로만 이해되기 쉽다. 그러나 자율제조에서 Digital Twin의 본질은 시각화가 아니다. 현실의 제품과 설비, 공정을 데이터와 모델로 표현하고 현재상태를 지속해서 반영한다. 그리고 AI가 제안한 생산계획과 공정조건, 정비와 물류의 변경안을 가상환경에서 실행한다. 그 결과가 품질과 생산량, 납기와 원가, 안전과 설비수명에 어떤 영향을 주는지 확인한다. 검증된 판단만 현실에 적용하고, 실행 후에는 예상과 실제의 차이를 다시 모델에 반영한다. 결국 자율제조에서 Digital Twin은 다음과 같은 역할을 수행한다. **현실의 상태를 디지털로 재현한다.** **직접 측정하기 어려운 상태를 추정한다.** **미래에 발생할 변화를 예측한다.** **여러 대응방안을 가상으로 시험한다.** **품질과 안전, 생산성의 영향을 검증한다.** **검증된 판단만 현실의 실행으로 연결한다.** **예상과 실제의 차이를 학습한다.** 이 흐름이 연결될 때 Digital Twin은 단순한 관제화면에서 자율제조의 검증환경으로 발전한다. 중요한 것은 현실과 똑같은 가상공장을 만드는 것이 아니다. 모든 현상을 가장 정교하게 모델링하는 것도 아니다. **AI가 내린 판단이 실제 제조현장에서 안전하고 효과적으로 작동할지를 판단할 수 있을 만큼 현실을 정확하게 표현하는 것**이 중요하다. Digital Twin은 현실을 대신하지 않는다. 모델에는 항상 오차가 있고 현실에는 예상하지 못한 변화가 존재한다. 따라서 Digital Twin의 결과를 맹신해서는 안 된다. 적용목적과 허용오차를 명확히 하고, 예상결과와 현실결과를 지속해서 비교해야 한다. 새로운 제품과 설비, 공정이 도입될 때마다 모델도 다시 검증해야 한다. 자율제조의 경쟁력은 시행착오를 모두 없애는 데 있지 않다. **위험하고 비용이 큰 시행착오는 가상환경에서 먼저 경험하고, 검증된 판단만 현실에서 실행할 수 있는가.** 바로 이것이 Digital Twin이 자율제조의 핵심 검증환경이 되어야 하는 이유다. 다음 글에서는 Digital Twin에서 검증된 판단을 여러 시스템과 설비에 연결해 실행하는 AI 에이전트를 살펴보고자 한다. AI 에이전트는 단순히 작업자의 질문에 답하는 제조 챗봇일까. 아니면 목표를 이해하고 데이터와 지식을 찾아 여러 시스템의 업무를 연결하는 새로운 제조운영 주체일까. **[자율제조 시리즈 ⑦] 제조 AI Agent는 어떻게 판단을 실행으로 연결하는가?** --- ### 참고자료 * [NIST — Digital Twins](https://www.nist.gov/digital-twins) * [NIST — Digital Twins for Advanced Manufacturing](https://www.nist.gov/programs-projects/digital-twins-advanced-manufacturing) * [NIST — Validating and Advancement: Digital Twin Standardization](https://www.nist.gov/digital-twins/validating-and-advancement) * [NIST — Use Case Scenarios for Digital Twin Implementation Based on ISO 23247](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=932269) * [NIST — Manufacturing Digital Twin Standards](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=957622) * [NIST — Building a Digital Twin of an Automated Robot Workcell](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=936285) * [NIST — Building a Digital Twin of a CNC Machine Tool](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=957945) * [ISO — ISO 23247-1:2021, Overview and General Principles](https://www.iso.org/standard/75066.html) * [ISO — ISO 23247-2:2021, Reference Architecture](https://www.iso.org/standard/78743.html) * [ISO — ISO 23247-3:2021, Digital Representation of Manufacturing Elements](https://www.iso.org/standard/78744.html) * [ISO — ISO 23247-4:2021, Information Exchange](https://www.iso.org/standard/78745.html) * [ISO — ISO 23247-5:2026, Digital Thread for Digital Twin](https://www.iso.org/standard/87425.html) * [ISO — ISO 23247-6:2026, Digital Twin Composition](https://www.iso.org/standard/87426.html)
2026-08-15
[자율제조 시리즈 ⑤] 제조 AI는 어디까지 판단할 수 있는가?
### 이상탐지에서 예측과 처방, 자율실행까지 제조현장에 AI를 도입하면 가장 먼저 기대하는 것은 예측이다. 설비가 언제 고장 날지 예측하고, 어떤 제품에서 불량이 발생할지 미리 알아내며, 생산계획과 공정조건을 최적화할 수 있을 것으로 생각한다. 최근에는 생성형 AI와 AI 에이전트가 등장하면서 기대의 범위가 더욱 넓어졌다. 작업자가 질문하면 생산현황을 설명하고, 이상 원인을 분석하며, 필요한 조치를 제안하는 수준을 넘어 AI가 생산계획을 수정하고 설비조건까지 스스로 변경하는 자율제조가 논의되고 있다. 그러나 제조 AI가 높은 정확도로 결과를 예측한다고 해서 그 판단을 곧바로 실행에 연결할 수 있는 것은 아니다. 품질에 영향을 주는 공정조건 변경과 안전에 관련된 설비제어, 납기와 원가를 바꾸는 생산계획 조정은 서로 다른 위험을 가진다. 같은 AI의 판단이라도 작업자에게 정보를 제공하는 것과 설비를 직접 제어하는 것은 전혀 다른 문제다. 따라서 다음과 같은 질문이 필요하다. **“AI가 얼마나 정확하게 예측하는가?”** 뿐만 아니라, **“AI가 어떤 의사결정을, 어느 범위까지, 어떤 조건에서 수행하도록 허용할 것인가?”** 제조 AI의 성숙도는 모델의 정확도만으로 결정되지 않는다. AI가 판단할 수 있는 범위와 실행할 수 있는 범위, 사람이 개입해야 하는 조건을 얼마나 명확하게 설계했는지가 중요하다. 이번 글에서는 제조 AI의 판단이 이상탐지에서 진단과 예측, 처방과 최적화, 제한적 자율실행으로 어떻게 확장되는지 살펴보고자 한다. --- ### 목차 1. 제조 AI가 판단한다는 것은 무엇인가 2. 이상을 찾는 것과 원인을 판단하는 것은 다르다 3. 제조 AI의 판단은 어떤 단계로 발전하는가 4. 예측 정확도가 높아도 실행을 맡기기 어려운 이유 5. 제조 AI는 무엇을 함께 고려해야 하는가 6. 생성형 AI와 AI 에이전트는 제조현장에서 무엇을 판단할 수 있는가 7. 사람의 승인은 어디에 남겨야 하는가 8. AI 판단의 신뢰성은 어떻게 검증해야 하는가 9. 제조 AI의 판단범위를 현실적으로 확대하는 방법 10. 경영진은 AI의 정확도보다 무엇을 확인해야 하는가 --- ## 1. 제조 AI가 판단한다는 것은 무엇인가 제조현장에서 AI의 판단이라는 표현은 넓은 의미로 사용된다. 센서값이 정상범위를 벗어났다고 알리는 것도 판단이라고 부르고, 불량 가능성을 예측하는 것도 판단이라고 한다. 생산계획을 최적화하거나 설비조건을 자동으로 변경하는 것도 AI의 판단으로 설명된다. 하지만 이들은 같은 수준의 판단이 아니다. 예를 들어 프레스 설비에서 진동이 증가했다고 가정해보자. AI는 다음과 같이 서로 다른 수준의 결과를 제시할 수 있다. **상태 확인** > *현재 진동값이 정상범위를 벗어났다.* **이상 진단** > *모터 구동부 또는 베어링에서 이상이 발생했을 가능성이 높다.* **고장 예측** > *현재 추세가 지속되면 10일 이내에 베어링 고장 위험이 높아질 수 있다.* **대응안 추천** > *다음 계획정지 시간에 베어링을 점검하고 윤활상태를 확인하는 것이 필요하다.* **운영 최적화** > *정비 전까지 설비속도를 8% 낮추면 고장 위험을 줄이면서 납기 영향을 최소화할 수 있다.* **자율실행** > *설비속도를 허용범위 안에서 자동으로 조정하고 CMMS에 점검작업을 생성한다.* 처음 두 단계는 현장의 상황을 인식하고 설명하는 수준이다. 고장 예측부터는 미래의 상태를 판단하며, 대응안 추천은 가능한 행동 가운데 무엇을 선택할 것인지 제안한다. 운영 최적화와 자율실행 단계에서는 품질과 생산성, 안전, 납기, 원가를 함께 고려해 실제 운영을 변경한다. 따라서 제조 AI의 판단은 단순한 분석결과가 아니다. **현재 상황을 인식하고, 미래의 결과를 예측하며, 목표와 제약조건을 고려해 적절한 행동을 선택하는 과정**이다. 자율제조가 되려면 AI의 판단이 설명이나 추천에 머물지 않고 실제 작업지시와 생산계획, 설비제어로 연결되어야 한다. 그러나 판단의 수준이 높아질수록 잘못된 결정이 현장에 미치는 영향도 커진다. 제조 AI의 발전은 기능을 많이 추가하는 문제가 아니라, **판단의 권한과 책임을 단계적으로 확대하는 과정**으로 보아야 한다. --- ## 2. 이상을 찾는 것과 원인을 판단하는 것은 다르다 현재 제조현장에서 비교적 많이 활용되는 AI 기능은 이상탐지다. 온도와 진동, 압력, 전류, 유량과 같은 센서값에서 평소와 다른 패턴을 찾아낸다. 정상 데이터의 분포를 학습한 뒤 일정 범위를 벗어난 값을 이상으로 판단하기도 한다. 이상탐지는 문제를 조기에 발견하는 데 유용하다. 그러나 이상을 발견했다고 해서 원인을 안다는 의미는 아니다. 사출성형 공정에서 제품 중량의 편차가 증가했다고 가정해보자. 중량 편차는 다음과 같은 여러 요인에 의해 발생할 수 있다. * 원재료의 수분함량 변화 * 사출압력 또는 보압시간 변화 * 금형온도의 불균형 * 체크링이나 노즐의 마모 * 원재료 LOT 변경 * 냉각수 온도와 유량의 변화 * 센서 자체의 이상 * 측정장비의 보정 문제 AI가 중량 편차의 이상을 정확하게 탐지하더라도 어느 원인이 실제 문제를 발생시켰는지는 별도의 분석이 필요하다. 상관관계와 인과관계도 구분해야 한다. 외부기온이 높아질 때 불량률이 함께 증가했다고 해서 외부기온이 직접적인 원인이라고 단정할 수 없다. 외부기온의 상승이 냉각수 온도에 영향을 주고, 다시 금형 냉각시간을 변화시켜 품질문제를 일으켰을 수 있다. 또는 여름철에 특정 원재료를 사용한 것이 실제 원인일 수도 있다. AI가 원인을 판단하려면 센서 데이터만으로는 충분하지 않다. * 설비의 구조와 작동원리 * 제품별 표준 공정조건 * 원재료와 제품의 관계 * 공정변수와 품질특성의 관계 * 고장모드와 고장영향 * 작업표준과 품질기준 * 과거의 문제와 조치이력 * 작업자와 설비전문가의 경험 이러한 제조 지식이 함께 연결되어야 한다. 따라서 제조 AI는 다음의 차이를 구분해야 한다. **이상탐지** > *평소와 다른 현상이 발생했다.* **이상진단** > *어디에서 어떤 문제가 발생했을 가능성이 높다.* **원인분석** > *어떤 조건과 사건이 문제 발생에 영향을 주었는지 설명한다.* **근본원인 판단** > *동일한 문제의 재발을 방지하기 위해 제거해야 할 원인을 특정한다.* 이상탐지 모델의 정확도가 높다고 해서 근본원인을 자동으로 찾을 수 있는 것은 아니다. 제조 AI가 판단의 수준을 높이기 위해서는 데이터를 넘어, **설비와 공정, 제품과 품질의 관계를 설명하는 지식**이 필요하다. --- ## 3. 제조 AI의 판단은 어떤 단계로 발전하는가 제조 AI의 판단수준을 설명하는 유일한 국제표준 분류가 정립된 것은 아니다. 다만 제조현장에 적용되는 분석과 의사결정 기능을 실무적인 관점에서 구분하면 다음과 같이 정리할 수 있다. ### ① 기술적 분석: 무엇이 발생했는가 현재와 과거의 생산상태를 정리한다. * 생산량과 설비가동률 * 불량률과 불량유형 * 비가동시간과 고장현황 * 작업지시 진행상태 * 에너지 사용량 * 재공품과 재고현황 이 단계에서는 주로 현황을 보여주고 사건을 확인한다. ### ② 진단적 분석: 왜 발생했는가 이상이나 성과변동의 원인을 분석한다. * 불량에 영향을 준 공정변수 * 설비정지의 주요 원인 * 생산계획과 실적의 차이 * 특정 원재료 LOT와 품질문제의 관계 * 작업조건 변경 전후의 차이 진단결과는 하나의 원인을 단정하기보다 원인 후보와 근거, 가능성을 함께 제시해야 한다. ### ③ 예측적 분석: 앞으로 무엇이 발생할 것인가 현재 상태와 과거 데이터를 이용해 미래의 결과를 추정한다. * 설비 고장 가능성과 잔여수명 * 제품별 불량 발생확률 * 주문량과 수요 변화 * 공정완료 예상시간 * 납기지연 가능성 * 재고부족과 과잉 가능성 * 에너지 수요와 피크 발생 가능성 예측은 미래를 확정하는 것이 아니라 불확실성을 확률이나 구간으로 표현하는 과정이다. ### ④ 처방적 분석: 무엇을 해야 하는가 예측된 문제에 대응하기 위한 행동을 추천한다. * 정비시점과 점검항목 추천 * 공정조건 변경안 제시 * 생산순서와 작업배정 변경 * 자재 발주량과 발주시점 추천 * 대체설비 또는 대체공정 제안 * 품질검사 대상과 검사주기 조정 처방 단계에서는 하나의 답보다 여러 대안과 각각의 예상효과를 비교하는 것이 중요하다. ### ⑤ 최적화: 여러 목표 가운데 어떤 선택이 가장 좋은가 제조운영에는 하나의 목표만 존재하지 않는다. 생산량을 늘리면 에너지 사용과 설비부하가 증가할 수 있다. 재고를 줄이면 긴급주문에 대응하기 어려워지고, 품질을 높이기 위해 공정시간을 늘리면 납기가 늦어질 수 있다. 따라서 최적화는 다음과 같은 여러 목표와 제약조건을 함께 고려해야 한다. * 생산량 * 품질 * 납기 * 원가 * 에너지 * 재고 * 설비수명 * 작업자의 안전 * 환경규제 * 고객별 우선순위 최적화의 결과는 절대적으로 가장 좋은 답이라기보다 주어진 목표와 제약조건에서 선택한 해다. 목표함수와 우선순위가 바뀌면 결과도 달라진다. ### ⑥ 제한적 자율실행: 검증된 범위 안에서 행동한다 AI가 권장안을 제시하는 데 그치지 않고 실행시스템과 연결된다. * MES의 작업순서 변경 * CMMS의 정비작업 생성 * AGV의 운송경로 조정 * 검사장비의 검사주기 변경 * 에너지 설비의 운전조건 조정 * PLC 또는 제어시스템의 설정값 변경 이 단계에서도 모든 권한을 AI에 부여하는 것은 아니다. 허용범위와 금지조건, 승인규칙, 비상정지 조건을 미리 정의하고 그 안에서만 실행하도록 해야 한다. 제조 AI의 판단은 결국 다음의 방향으로 발전한다. **현상을 보여준다.** ↓ **이상을 찾는다.** ↓ **원인을 분석한다.** ↓ **미래를 예측한다.** ↓ **대응방안을 추천한다.** ↓ **여러 대안을 최적화한다.** ↓ **검증된 범위에서 실행한다.** 그러나 모든 제조업무가 반드시 마지막 단계까지 발전해야 하는 것은 아니다. 업무의 위험과 복잡성, 데이터 수준에 따라 적절한 판단단계를 선택해야 한다. **자율화의 목표는 사람을 완전히 제거하는 것이 아니라, 판단과 실행의 배치를 합리적으로 다시 설계하는 것**이다. --- ## 4. 예측 정확도가 높아도 실행을 맡기기 어려운 이유 AI 모델의 예측 정확도가 95%라고 가정해보자. 수치만 보면 상당히 높은 성능처럼 보인다. 그러나 제조현장에서는 나머지 5%의 오류가 어떤 상황에서 발생하는지가 더 중요할 수 있다. 제품의 외관불량을 일부 놓치는 것과 작업자의 안전에 영향을 주는 설비 이상을 놓치는 것은 결과가 다르다. 잘못된 재고 추천은 비용을 증가시킬 수 있지만, 잘못된 설비제어는 설비 파손과 생산중단, 안전사고로 이어질 수 있다. 따라서 모델의 평균 정확도만으로 실행권한을 결정해서는 안 된다. 다음과 같은 질문이 필요하다. ### 첫째, 어떤 오류가 더 위험한가 고장을 정상으로 판단하는 오류와 정상을 고장으로 판단하는 오류의 비용은 다르다. 예지보전에서 고장을 놓치면 설비가 갑자기 정지할 수 있다. 반대로 정상설비를 고장으로 판단하면 불필요한 점검과 부품교체가 발생한다. AI 모델은 단순한 전체 정확도보다 업무에서 중요한 오류를 얼마나 줄였는지 평가해야 한다. ### 둘째, 학습하지 않은 상황에서 어떻게 행동하는가 새로운 제품이나 원재료가 투입되거나 설비가 개조되면 기존 데이터와 다른 조건이 만들어진다. 계절과 작업자, 생산속도, 부품마모 상태가 달라져도 데이터 분포가 변할 수 있다. AI가 학습하지 않은 조건에서 자신 있게 잘못된 답을 제시하면 위험하다. 판단하기 어려운 상황을 스스로 식별하고 사람에게 넘길 수 있어야 한다. ### 셋째, 오류를 되돌릴 수 있는가 잘못된 생산순서는 다시 조정할 수 있지만 이미 가공된 제품의 품질문제는 되돌리기 어렵다. 설비 설정값의 작은 변경은 복원할 수 있지만 고온과 고압의 위험공정에서 잘못된 조작은 즉각적인 사고로 이어질 수 있다. 실행권한은 오류의 가능성뿐만 아니라 결과의 회복 가능성을 함께 고려해야 한다. ### 넷째, 판단의 근거를 확인할 수 있는가 AI가 공정조건 변경을 추천했다면 어떤 데이터와 규칙, 과거 사례를 근거로 했는지 확인할 수 있어야 한다. 설명이 단순히 보기 좋은 문장으로 제공되는 것만으로는 충분하지 않다. 사용한 데이터와 모델버전, 적용된 제약조건, 예상효과와 불확실성이 추적되어야 한다. ### 다섯째, 다른 목표에 미치는 영향을 검토했는가 불량률을 낮추기 위해 설비속도를 줄이면 생산량과 납기에 영향을 줄 수 있다. 에너지 사용량을 줄이기 위해 설비를 정지하면 재가동 과정에서 더 많은 손실이 발생할 수도 있다. AI의 판단은 하나의 KPI 개선이 다른 KPI를 악화시키지 않는지 확인해야 한다. NIST AI RMF는 AI 시스템이 자율적으로 의사결정을 수행하는 경우와 인간의 판단을 보조하거나 인간에게 결정을 넘기는 경우를 구분하고, 각 역할과 책임을 명확하게 정의할 필요가 있다고 설명한다. 또한 AI 위험을 일회성이 아니라 설계·배포·운영 전 과정에서 지속해서 관리하도록 제안한다. [NIST AI Risk Management Framework 1.0](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10) 결국 높은 예측 정확도는 자율실행의 필요조건일 수 있지만 충분조건은 아니다. **판단의 위험과 불확실성, 오류의 영향, 복구 가능성까지 검증되어야 실행을 맡길 수 있다.** --- ## 5. 제조 AI는 무엇을 함께 고려해야 하는가 제조현장에서 가장 좋은 판단은 특정 KPI 하나를 가장 크게 개선하는 판단이 아니다. 품질과 생산성, 납기, 원가, 안전을 함께 고려해 전체 제조운영에 가장 적합한 결정을 내려야 한다. 예를 들어 긴급주문이 들어왔다고 가정해보자. 납기를 맞추기 위해 생산순서를 변경하면 다음과 같은 영향이 발생할 수 있다. * 금형과 치공구 교체 횟수가 증가한다. * 원재료 준비순서가 바뀐다. * 작업자의 교대와 배치가 달라진다. * 다른 고객의 주문이 지연될 수 있다. * 설비의 세척과 준비시간이 증가한다. * 재공품과 창고 공간이 부족해질 수 있다. * 외주공정과 물류일정이 맞지 않을 수 있다. * 전력 피크가 증가할 수 있다. 따라서 AI가 생산계획을 판단하려면 주문과 설비능력만 보아서는 안 된다. 자재와 금형, 작업자, 품질, 정비, 물류와 에너지의 조건까지 고려해야 한다. 제조 AI가 판단에 포함해야 하는 요소는 크게 네 가지로 구분할 수 있다. ### ① 목표 무엇을 개선할 것인지 정한다. * 생산량 극대화 * 납기준수율 향상 * 불량률 최소화 * 제조원가 절감 * 재고 최소화 * 에너지 사용량 절감 * 설비수명 연장 목표가 명확하지 않으면 AI가 무엇을 좋은 판단으로 보아야 하는지 결정할 수 없다. ### ② 제약조건 반드시 지켜야 하는 조건을 정의한다. * 설비의 허용 운전범위 * 제품의 품질규격 * 작업자의 자격과 근무시간 * 원재료와 부품의 재고 * 금형과 공구의 사용 가능 여부 * 고객 납기와 우선순위 * 안전과 환경규제 * 유지보수와 교정 일정 제약조건을 고려하지 않은 최적화 결과는 수학적으로는 가능해 보여도 현장에서는 실행할 수 없다. ### ③ 영향범위 판단이 어느 업무와 시스템에 영향을 주는지 확인한다. 공정조건의 변경은 품질뿐 아니라 생산속도와 설비수명에 영향을 줄 수 있다. 생산계획 변경은 자재구매와 창고, 물류, 외주업체 일정까지 바꿀 수 있다. ### ④ 불확실성 예측결과가 얼마나 확실한지 표현해야 한다. AI가 고장시점을 하루 단위로 단정하는 것보다, > *“현재 조건에서는 7일 이내 고장 가능성이 70%이며, 설비부하가 증가하면 위험이 더 높아질 수 있다.”* 와 같이 확률과 조건을 함께 제시하는 것이 현실적인 판단에 도움이 된다. AI는 항상 하나의 정답을 찾는 기계가 아니다. 서로 충돌하는 목표와 제한된 자원, 불완전한 데이터 안에서 가능한 대안을 비교하는 도구다. 따라서 좋은 제조 AI는 답만 제시하지 않는다. **어떤 목표와 조건을 적용했으며, 다른 대안과 비교해 왜 이 선택이 적절한지를 함께 설명해야 한다.** --- ## 6. 생성형 AI와 AI 에이전트는 제조현장에서 무엇을 판단할 수 있는가 생성형 AI는 제조현장의 다양한 문서와 데이터를 자연어로 검색하고 설명하는 데 강점이 있다. 작업표준서와 설비매뉴얼, 품질기준, 정비이력, 과거 문제해결 보고서를 연결하면 작업자의 질문에 필요한 정보를 찾아줄 수 있다. 예를 들면 다음과 같다. > *“사출기 3호기에서 압력 편차 알람이 반복되는 원인을 알려줘.”* > *“이 불량유형과 관련된 과거 조치사례를 찾아줘.”* > *“현재 설비상태를 기준으로 점검항목을 순서대로 정리해줘.”* > *“긴급주문을 반영한 생산계획 변경안을 비교해줘.”* 생성형 AI는 정형데이터와 비정형문서를 연결하고 사람이 이해하기 쉬운 설명을 만드는 인터페이스로 활용할 수 있다. AI 에이전트는 여기서 한 단계 더 나아간다. 단순히 답을 생성하는 것이 아니라 목표를 달성하기 위해 필요한 데이터와 도구를 선택하고 여러 작업을 순차적으로 수행할 수 있다. 예를 들어 정비지원 에이전트는 다음과 같은 흐름을 수행할 수 있다. **이상 알람 확인** ↓ **센서 추세와 설비이력 조회** ↓ **매뉴얼과 과거 고장사례 검색** ↓ **원인 후보와 점검순서 작성** ↓ **부품재고와 정비인력 확인** ↓ **정비시점 추천** ↓ **승인 후 CMMS 작업지시 생성** 이러한 방식은 현장업무의 탐색과 정리, 조정을 줄이는 데 도움이 된다. 그러나 생성형 AI와 AI 에이전트의 답변이 곧바로 제조 제어의 근거가 되어서는 안 된다. 생성형 AI는 실제 데이터에 근거하지 않은 내용을 그럴듯하게 생성할 수 있다. 오래된 작업표준이나 다른 설비의 매뉴얼을 잘못 적용할 가능성도 있다. 또한 AI 에이전트가 여러 시스템에 접근할수록 잘못된 판단이 생산계획과 자재발주, 정비작업, 설비운영으로 확산될 수 있다. 따라서 제조 AI 에이전트에는 다음과 같은 통제가 필요하다. * 허용된 데이터와 시스템만 접근한다. * 사용한 자료와 데이터의 출처를 표시한다. * 최신 문서와 승인된 표준만 사용한다. * 작업자별 권한과 동일하거나 더 엄격한 권한을 적용한다. * 실행 전 업무규칙과 제약조건을 검증한다. * 중요한 변경은 사람의 승인을 받는다. * 모든 조회와 판단, 실행과정을 기록한다. * 이상행동이 발생하면 즉시 중단할 수 있어야 한다. * 실행 후 결과를 확인하고 필요하면 이전 상태로 복원한다. AI 에이전트의 가치는 사람처럼 말하는 데 있지 않다. **제조 데이터와 지식을 이용해 여러 시스템의 업무를 연결하되, 통제된 범위 안에서 실행할 수 있다는 데 있다.** --- ## 7. 사람의 승인은 어디에 남겨야 하는가 자율제조에서 사람의 개입을 모두 제거하는 것이 항상 좋은 것은 아니다. AI가 반복적이고 명확한 판단을 담당하고, 사람은 불확실성과 위험이 높은 판단을 담당하도록 역할을 나누는 것이 현실적이다. 사람의 승인 여부는 업무의 위험수준과 AI의 신뢰도에 따라 구분할 수 있다. ### ① 정보제공형 AI가 현황과 분석결과를 제공하지만 판단과 실행은 사람이 한다. 예를 들면 다음과 같다. * 생산실적 요약 * 설비 이상 알림 * 품질변동 분석 * 과거 유사사례 검색 AI가 잘못된 정보를 제공하더라도 사람이 확인하고 수정할 수 있다. ### ② 추천형 AI가 가능한 대응안을 제안하고 사람이 선택한다. * 정비시점 추천 * 공정조건 변경안 * 생산순서 변경안 * 검사대상 확대 * 자재 발주량 추천 AI는 예상효과와 위험, 근거를 함께 제시해야 한다. ### ③ 승인형 AI가 실행계획까지 작성하지만 사람의 승인을 받은 뒤 시스템에 반영한다. * MES 작업지시 변경 * 정비작업 생성 * 생산계획 재편성 * 설비 설정값 변경 * 구매 또는 외주 요청 누가 승인할 수 있는지와 승인기준을 미리 정해야 한다. ### ④ 감독형 AI가 허용범위 안에서 자동으로 실행하고 사람은 결과와 예외를 감독한다. * AGV 경로 조정 * 공조와 에너지 운전 최적화 * 검사주기 자동 조정 * 제한된 범위의 공정조건 보정 * 소모품 자동 보충 요청 허용범위를 벗어나거나 예상하지 못한 상황이 발생하면 즉시 사람에게 판단을 넘겨야 한다. ### ⑤ 자율실행형 AI가 인지와 판단, 실행, 결과평가를 수행한다. 이 수준은 충분히 검증된 반복업무와 제한된 운전영역에서 적용할 수 있다. 그러나 사람의 승인이 없다고 해서 사람의 책임과 감독까지 없어지는 것은 아니다. 자동화 수준을 결정할 때는 다음의 기준이 필요하다. | 판단 특성 | 권장 운영방식 | | --------------------- | --------------------- | | 영향이 작고 쉽게 복구할 수 있음 | 제한적 자동실행 | | 반복적이며 규칙과 허용범위가 명확함 | 사람의 감독 아래 자동실행 | | 품질과 납기에 중대한 영향을 줌 | 실행 전 담당자 승인 | | 안전·환경·법규에 영향을 줌 | 책임자의 명시적 승인과 독립적 보호계층 | | 새로운 제품·설비·조건에 해당함 | AI 추천 후 전문가 검토 | | AI의 신뢰도가 낮거나 데이터가 부족함 | 자동실행 금지 및 사람에게 전환 | NIST AI RMF는 운영환경에서 AI를 사용하는 조직이 인간과 AI의 역할, 책임 및 감독방식을 명확히 구분할 것을 강조한다. [NIST AI RMF의 Human-AI Interaction 지침](https://airc.nist.gov/airmf-resources/airmf/appendices/app-c-ai-risk-management-and-human-ai-interaction/) 핵심은 사람이 모든 판단을 다시 확인하도록 만드는 것이 아니다. 그렇게 하면 AI를 도입하고도 업무가 줄어들지 않는다. 사람은 위험과 예외, 새로운 상황을 담당하고 AI는 검증된 반복판단을 맡아야 한다. **사람의 개입은 AI를 불신하기 위한 절차가 아니라, 판단의 위험에 따라 책임을 배분하는 구조**다. --- ## 8. AI 판단의 신뢰성은 어떻게 검증해야 하는가 제조 AI를 검증할 때는 모델 개발 당시의 정확도만 확인해서는 안 된다. 실제 운영환경에서 AI가 올바른 데이터를 사용하고, 허용된 조건 안에서 판단하며, 시간이 지나도 성능을 유지하는지 확인해야 한다. ### ① 데이터 검증 AI가 판단에 사용한 데이터가 신뢰할 수 있는지 확인한다. * 센서의 교정상태 * 데이터의 누락과 이상값 * 시간과 LOT의 연결 * 제품과 설비코드의 일치 * 학습데이터와 운영데이터의 차이 * 데이터 변경이력과 출처 입력데이터가 잘못되면 모델이 정상적으로 작동해도 판단결과는 잘못될 수 있다. ### ② 모델 검증 모델이 목표한 문제를 실제로 해결하는지 평가한다. * 정확도와 오탐·미탐 * 제품별·설비별 성능 * 새로운 조건에서의 일반화 성능 * 불확실성 추정 * 데이터 편향 * 설명 가능성 * 처리속도와 안정성 평균성능뿐만 아니라 중요한 설비와 제품, 드물지만 위험한 상황에서의 성능을 따로 확인해야 한다. ### ③ 시스템 검증 AI가 연결된 전체 시스템이 정상적으로 작동하는지 확인한다. * 데이터 수집 지연 * 네트워크 단절 * 인터페이스 오류 * 중복 작업지시 * 잘못된 권한사용 * 실행결과 미반영 * 비상정지와 수동전환 * 장애 후 복구절차 AI 모델이 정확해도 MES나 PLC와의 연결에서 오류가 발생하면 잘못된 실행으로 이어질 수 있다. ### ④ 운영 검증 실제 제조성과가 개선됐는지 확인한다. * 불량률 감소 * 비계획 정지시간 감소 * 납기준수율 향상 * 재고 감소 * 에너지 사용량 감소 * 작업자 대응시간 단축 * 불필요한 경보와 점검 감소 모델의 기술적 성능과 사업성과를 구분해 측정해야 한다. ### ⑤ 지속적 모니터링 설비와 공정, 제품은 계속 변한다. 모델을 구축할 당시에는 없었던 신제품이 투입되고, 설비부품이 교체되며, 원재료와 생산조건도 달라진다. 따라서 다음의 변화를 지속해서 확인해야 한다. * 데이터 분포의 변화 * 모델 성능의 저하 * 판단결과의 편향 * 작업자의 수정과 거부 * 예상하지 못한 부작용 * 실행 전후 KPI의 변화 * 새로운 위험과 예외상황 NIST AI RMF의 측정 지침도 AI 시스템이 목적에 적합하게 작동하는지 평가하고, 허용 가능한 성능범위를 정하며, 오류와 부정적 영향을 지속해서 추적하도록 제안한다. [NIST AI RMF Measure 지침](https://airc.nist.gov/airmf-resources/playbook/measure/) AI 판단에는 다음과 같은 추적정보를 남겨야 한다. * 언제 판단했는가 * 어떤 데이터와 문서를 사용했는가 * 어떤 모델과 버전을 사용했는가 * 어떤 원인과 대응안을 제시했는가 * 판단의 신뢰도는 얼마였는가 * 누가 실행을 승인했는가 * 실제로 어떤 조치가 실행됐는가 * 작업자가 무엇을 수정했는가 * 실행 전후의 결과는 어떠했는가 * 예상하지 못한 영향은 없었는가 이 기록은 감사와 책임을 위한 자료이면서 동시에 AI를 개선하기 위한 학습데이터가 된다. 제조 AI의 신뢰는 한 번의 성능시험으로 확보되지 않는다. **판단과 실행, 결과를 지속해서 추적하고 검증하는 운영체계에서 만들어진다.** --- ## 9. 제조 AI의 판단범위를 현실적으로 확대하는 방법 제조 AI를 도입할 때 처음부터 설비를 자율적으로 제어하려고 하면 위험과 범위가 지나치게 커질 수 있다. 먼저 하나의 제조문제를 선택하고 판단단계를 순차적으로 높이는 것이 현실적이다. 예를 들어 사출성형 공정의 중량불량 감소를 목표로 한다면 다음과 같이 접근할 수 있다. ### ① 판단대상 정의 > *“제품 중량 편차가 관리범위를 벗어날 가능성을 조기에 판단한다.”* 판단대상을 구체적으로 정하고 대상제품과 설비, 공정범위를 제한한다. ### ② 기준상태 정의 정상과 이상의 기준을 정한다. * 제품별 목표중량과 허용편차 * 공정조건의 관리범위 * 측정주기와 검사방식 * 센서와 측정기의 교정기준 * 경고와 정지의 기준 ### ③ 이상탐지부터 시작 AI가 중량과 공정조건의 변화를 감지해 작업자에게 알린다. 이 단계에서는 AI가 설비조건을 변경하지 않는다. ### ④ 원인 후보 제시 금형온도와 사출압력, 보압시간, 원재료 LOT, 설비상태를 분석해 가능한 원인을 순위별로 제시한다. 작업자는 실제 원인과 조치결과를 기록한다. ### ⑤ 대응안 추천 과거 사례와 작업표준, 공정모델을 바탕으로 변경 가능한 조건을 추천한다. 예를 들면 다음과 같다. > *“보압시간을 0.2초 늘리면 중량편차가 감소할 가능성이 높다. 다만 사이클타임은 약 0.2초 증가할 수 있다.”* ### ⑥ 실행 전 검증 추천한 공정조건이 다음의 기준을 만족하는지 확인한다. * 설비의 허용범위 * 제품의 품질규격 * 금형과 원재료의 적용조건 * 작업표준과 변경관리 규칙 * 예상되는 생산량과 에너지 영향 Digital Twin을 이용할 수 있다면 실제 설비에 적용하기 전에 변경결과를 가상환경에서 확인한다. ISO 23247 시리즈는 제조대상의 디지털 트윈을 구성하기 위한 기본원칙과 참조구조, 정보교환 요구사항을 제시한다. [ISO 23247-1:2021](https://www.iso.org/standard/75066.html), [ISO 23247-2:2021](https://www.iso.org/standard/78743.html), [ISO 23247-4:2021](https://www.iso.org/standard/78745.html) ### ⑦ 사람의 승인 후 실행 초기에는 작업자가 추천안을 검토한 뒤 설비조건을 변경한다. AI의 추천과 작업자의 수정사항, 승인 이유를 모두 기록한다. ### ⑧ 제한적 자동조정 충분한 사례가 축적되고 효과와 안전성이 검증된 조건에 한해 AI가 좁은 범위에서 자동으로 보정하도록 한다. 예를 들면 보압시간을 표준값의 ±0.2초 안에서만 변경하도록 제한할 수 있다. ### ⑨ 예외상황에서 사람에게 전환 다음과 같은 조건에서는 자동조정을 중단한다. * 신제품이나 신규 원재료 투입 * 센서의 이상 또는 데이터 누락 * 허용범위를 벗어난 공정변화 * 모델의 신뢰도가 기준 이하 * 여러 품질지표가 동시에 악화 * 작업자가 수동운전을 요청 * 안전이나 설비보호 알람 발생 ### ⑩ 다른 제품과 설비로 확대 동일한 조건에서 성능이 확인된 뒤 유사 제품과 설비에 적용한다. 새로운 제품과 설비에 적용할 때는 기존 모델을 그대로 사용하지 않고 별도의 검증을 수행한다. 이러한 방식으로 판단범위를 확대하면 AI의 역할은 다음과 같이 발전한다. **알림** ↓ **설명** ↓ **예측** ↓ **추천** ↓ **승인 후 실행** ↓ **허용범위 내 자동실행** ↓ **결과평가와 학습** 중요한 것은 AI에 처음부터 넓은 권한을 주는 것이 아니다. **작은 범위에서 판단과 실행의 성과를 증명하고, 검증된 범위만큼 권한을 확대하는 것**이다. --- ## 10. 경영진은 AI의 정확도보다 무엇을 확인해야 하는가 제조 AI를 도입할 때 경영진은 모델의 알고리즘을 자세히 이해할 필요는 없다. 그러나 AI의 판단이 어떻게 만들어지고 어디까지 실행되는지는 확인해야 한다. 다음과 같은 질문이 필요하다. **첫째, AI가 해결하려는 제조문제와 판단대상이 명확한가.** AI 도입 자체가 목적이 아니라 불량과 고장, 납기, 재고와 같은 구체적인 문제를 해결해야 한다. **둘째, AI가 판단에 사용하는 데이터와 제조 지식을 신뢰할 수 있는가.** 센서 데이터뿐 아니라 제품과 LOT, 설비, 공정조건, 품질결과가 연결되어야 한다. **셋째, AI는 이상만 알리는가, 아니면 원인과 대응방안까지 제시하는가.** 현재 AI의 판단단계가 어디까지인지 명확하게 구분해야 한다. **넷째, AI가 고려하는 목표와 제약조건은 무엇인가.** 품질과 생산성, 납기, 안전 가운데 어떤 목표를 우선하며 무엇을 반드시 지켜야 하는지 확인해야 한다. **다섯째, AI의 판단근거와 불확실성을 확인할 수 있는가.** 결과만 제시하는 것이 아니라 사용한 데이터와 규칙, 신뢰도와 예상영향을 설명할 수 있어야 한다. **여섯째, 어떤 판단은 자동으로 실행되고 어떤 판단은 사람의 승인을 받는가.** 업무의 위험수준에 따라 실행권한을 구분하고 승인책임자를 지정해야 한다. **일곱째, AI의 판단을 실행하기 전에 검증할 수 있는가.** 업무규칙과 시뮬레이션, Digital Twin을 통해 품질과 안전, 다른 공정에 미치는 영향을 확인해야 한다. **여덟째, AI가 잘못 판단했을 때 중단하고 복구할 수 있는가.** 수동전환과 비상정지, 이전 설정값 복원, 장애대응 절차가 준비되어야 한다. **아홉째, AI의 성능을 지속해서 확인하는 책임자가 있는가.** 설비와 제품, 데이터가 변경되면 모델의 성능도 달라질 수 있다. **열째, AI의 판단이 실제 제조성과로 이어졌는가.** 예측 정확도가 아니라 불량과 정지시간, 납기와 원가가 실제로 개선됐는지 확인해야 한다. ISA-95는 기업업무와 제조운영·제어시스템 사이의 기능과 정보교환 구조를 정의한다. 2025년 개정된 Part 1도 변화된 산업환경을 반영해 통합을 위한 모델과 용어를 정비했다. AI의 판단을 생산계획과 작업지시, 설비운영에 연결하려면 이러한 시스템 간 역할과 경계를 명확히 해야 한다. [ISA-95 표준 개요](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard), [ANSI/ISA-95.00.01-2025 개정 안내](https://www.isa.org/news-press-releases/2025/april/update-to-isa-95-standard-addresses-integration-of) 경영진이 확인해야 할 것은 AI가 사람보다 똑똑한가가 아니다. **AI가 어떤 판단을 맡고 있으며, 그 판단의 위험과 책임을 조직이 통제하고 있는가**이다. --- ## 마치며 제조 AI는 센서값에서 이상을 찾는 수준을 넘어 품질과 고장, 수요와 납기를 예측할 수 있다. 과거 사례와 제조 지식을 이용해 원인을 분석하고, 여러 대응방안을 비교하며, 생산계획과 공정조건을 최적화할 수도 있다. AI 에이전트는 필요한 데이터를 검색하고, 시스템을 연결하며, 승인된 작업을 실행하는 역할까지 수행할 수 있다. 그러나 AI가 기술적으로 수행할 수 있다는 것과 제조기업이 그 판단을 맡겨도 된다는 것은 다른 문제다. 제조현장에는 품질과 생산성, 납기와 원가, 안전과 환경이라는 서로 다른 목표가 존재한다. 판단이 복잡해질수록 하나의 예측 정확도만으로는 의사결정의 품질을 설명할 수 없다. 결국 제조 AI의 판단은 다음과 같이 발전한다. **무엇이 발생했는지 확인한다.** **이상과 변화를 감지한다.** **왜 발생했는지 분석한다.** **앞으로 무엇이 발생할지 예측한다.** **가능한 대응방안을 제시한다.** **여러 목표와 제약조건을 고려해 최적의 대안을 선택한다.** **검증된 범위에서 실행한다.** **실행결과를 평가하고 다음 판단을 개선한다.** 이 흐름이 연결되어야 제조 AI는 단순한 분석도구에서 의사결정 시스템으로 발전할 수 있다. 그렇다고 모든 판단을 AI에 맡길 필요는 없다. 반복적이고 위험이 낮으며 규칙이 명확한 업무는 AI가 담당할 수 있다. 반면 안전과 품질에 중대한 영향을 주거나 처음 접하는 상황은 사람이 판단해야 한다. AI가 스스로 판단하지 못하는 상황을 인식하고 사람에게 결정을 넘기는 능력도 자율성의 일부다. 자율제조의 목표는 AI가 모든 것을 결정하는 공장을 만드는 것이 아니다. **AI와 사람이 각자의 강점에 따라 판단하고, 그 판단이 안전하게 실행되며, 결과가 다시 지식으로 축적되는 제조체계를 만드는 것**이다. 제조 AI의 경쟁력은 얼마나 많은 답을 내놓는가로 결정되지 않는다. **어떤 상황에서 판단할 수 있고, 언제 판단을 멈추며, 그 결과에 어떻게 책임질 수 있는가.** 이 경계를 명확하게 설계하는 것이 제조 AI를 실제 자율제조로 연결하는 핵심이 될 것이다. 다음 글에서는 AI의 판단을 실제 설비에 적용하기 전에 검증할 수 있는 Digital Twin을 살펴보고자 한다. Digital Twin은 단순히 공장을 3차원으로 보여주는 기술일까. 아니면 AI가 실제 공장을 움직이기 전에 판단의 결과를 시험하는 가상 제조환경일까. **[자율제조 시리즈 ⑥] Digital Twin은 왜 자율제조의 검증환경이 되어야 하는가?** --- ### 참고자료 * [NIST — Artificial Intelligence Risk Management Framework 1.0](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10) * [NIST — AI RMF Core: Govern, Map, Measure and Manage](https://airc.nist.gov/airmf-resources/airmf/5-sec-core/) * [NIST — AI Risk Management and Human-AI Interaction](https://airc.nist.gov/airmf-resources/airmf/appendices/app-c-ai-risk-management-and-human-ai-interaction/) * [NIST — AI RMF Playbook: Measure](https://airc.nist.gov/airmf-resources/playbook/measure/) * [NIST — Measurement Science for Robotics and Autonomous Systems](https://www.nist.gov/programs-projects/measurement-science-robotics-and-autonomous-systems-program) * [ISA — ISA-95 Standard: Enterprise-Control System Integration](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) * [ISA — ANSI/ISA-95.00.01-2025 개정 안내](https://www.isa.org/news-press-releases/2025/april/update-to-isa-95-standard-addresses-integration-of) * [ISA — ISA/IEC 62443 Series of Standards](https://www.isa.org/standards-and-publications/isa-standards/isa-iec-62443-series-of-standards) * [ISO — ISO 23247-1:2021, Digital Twin Framework for Manufacturing](https://www.iso.org/standard/75066.html) * [ISO — ISO 23247-2:2021, Reference Architecture](https://www.iso.org/standard/78743.html) * [ISO — ISO 23247-4:2021, Information Exchange](https://www.iso.org/standard/78745.html) * [ISO — ISO 23247-5:2026, Digital Thread for Manufacturing Digital Twins](https://www.iso.org/standard/87425.html) * [ISO — ISO 23247-6:2026, Digital Twin Composition](https://www.iso.org/standard/87426.html)
2026-08-13
[자율제조 시리즈 ④] 제조 데이터가 많은데 왜 공장은 스스로 판단하지 못하는가?
### 데이터의 양보다 중요한 것은 품질, 맥락 그리고 연결이다 많은 제조기업이 오랫동안 생산현장의 데이터를 수집해 왔다. 설비에는 센서가 설치되어 있고, PLC와 SCADA에는 수많은 운전정보가 기록된다. MES에는 생산실적과 작업정보가, ERP에는 주문과 재고, 구매정보가 저장되어 있다. 검사장비에는 품질데이터가 쌓이고, 설비관리시스템에는 고장과 정비이력이 축적된다. 얼핏 보면 제조기업은 이미 충분한 데이터를 보유한 것처럼 보인다. 그런데 AI 프로젝트를 시작하면 예상하지 못한 문제가 드러난다. 필요한 데이터가 없거나, 있더라도 서로 연결되지 않는다. 같은 설비와 제품을 시스템마다 다른 이름으로 관리하기도 한다. 데이터가 누락돼 있거나 측정단위가 다르고, 정확한 수집시점을 알 수 없는 경우도 있다. 데이터는 많지만 AI가 판단에 사용할 수 있는 데이터는 생각보다 많지 않다. 그래서 다음과 같은 질문이 필요하다. **“우리 공장에는 데이터가 얼마나 많은가?”** 가 아니라, **“우리 공장의 데이터는 하나의 제조상황을 설명할 수 있는가?”** 자율제조의 경쟁력은 데이터의 양보다 데이터를 얼마나 정확한 의미와 관계로 연결했는가에 달려 있다. 이번 글에서는 제조기업이 많은 데이터를 보유하고도 AI의 판단과 자율제조로 연결하지 못하는 이유를 살펴보고자 한다. --- ### 목차 1. 데이터가 많다는 것과 데이터가 준비됐다는 것은 다르다 2. 제조 데이터는 왜 서로 연결되지 않는가 3. AI가 필요로 하는 것은 숫자가 아니라 맥락이다 4. 시간과 LOT가 연결되지 않으면 원인을 찾기 어렵다 5. 데이터 품질이 낮으면 AI의 판단도 흔들린다 6. 같은 데이터를 서로 다르게 부르는 문제 7. 제조 데이터는 어디에서 끊어지는가 8. 데이터 사일로를 연결하는 방법 9. 자율제조를 위한 데이터 기반은 어떻게 구축해야 하는가 10. 경영진은 데이터의 양보다 무엇을 확인해야 하는가 --- ## 1. 데이터가 많다는 것과 데이터가 준비됐다는 것은 다르다 제조기업에서 “데이터가 있습니까?”라고 물으면 대부분 있다고 답한다. 설비에서는 초 단위로 센서값이 수집되고, MES에는 매일 생산실적이 입력된다. 품질부서는 검사결과를 관리하고, 설비보전부서는 고장과 정비이력을 기록한다. 하지만 AI 적용을 위해 데이터를 모아보면 이야기가 달라진다. 설비 데이터는 데이터베이스에 있지만 어떤 제품을 생산할 때 발생한 값인지 알 수 없다. 품질검사 결과는 엑셀파일에 있지만 생산시간이나 사용설비와 연결되지 않는다. 정비이력에는 “이상음 발생”, “부품 교체”라고 적혀 있지만 정확히 어떤 부품을 어떤 이유로 교체했는지 확인하기 어렵다. 작업조건이 변경됐지만 변경 전후의 값과 변경 이유가 기록되지 않은 경우도 있다. 이런 데이터는 생산현황을 확인하거나 단순한 통계를 만드는 데 사용할 수는 있다. 그러나 불량 원인을 찾고, 고장을 예측하고, 최적의 공정조건을 판단하는 데는 한계가 있다. AI가 판단하려면 최소한 다음의 질문에 답할 수 있어야 한다. * 어떤 제품을 생산했는가 * 어떤 원재료를 사용했는가 * 어느 설비와 금형을 사용했는가 * 어떤 공정조건으로 생산했는가 * 누가 언제 작업했는가 * 어떤 품질결과가 발생했는가 * 생산 전후에 설비상태는 어떠했는가 * 문제가 발생한 뒤 어떤 조치를 했는가 이 질문에 답할 수 없다면 데이터가 많더라도 제조상황을 설명하기 어렵다. 결국, **데이터 보유량과 데이터 활용 가능성은 같은 개념이 아니다.** --- ## 2. 제조 데이터는 왜 서로 연결되지 않는가 제조 데이터가 연결되지 않는 가장 큰 이유는 각 시스템이 서로 다른 목적을 가지고 구축됐기 때문이다. ERP는 주문, 구매, 원가, 재고와 같은 기업자원을 관리한다. MES는 작업지시, 생산실적, 공정진행과 같은 생산운영을 관리한다. SCADA와 PLC는 설비상태를 감시하고 제어한다. QMS는 품질검사와 부적합 정보를 관리하고, CMMS는 설비고장과 정비업무를 관리한다. 각 시스템은 자신의 업무를 처리하는 데는 문제가 없다. 그러나 하나의 제조문제를 분석하기 위해 여러 시스템의 데이터를 모으면 문제가 발생한다. ERP의 제품코드와 MES의 품목명이 다를 수 있다. MES의 설비번호와 PLC의 장비명도 일치하지 않을 수 있다. 품질시스템의 LOT 번호가 생산실적과 연결되지 않거나, 정비시스템의 설비코드가 현장에서 사용하는 명칭과 다를 수도 있다. 데이터 수집주기도 서로 다르다. 설비 데이터는 1초 단위로 수집되지만 생산실적은 작업이 종료된 뒤 입력된다. 품질검사는 생산 후 몇 시간 또는 며칠 뒤 이루어질 수도 있다. 결국 각 시스템에는 데이터가 있지만, **제품, 설비, 공정, 품질, 정비의 데이터가 하나의 사건으로 연결되지 않는다.** ISA-95 또는 IEC 62264가 기업시스템과 제조운영·제어시스템 사이의 공통 모델, 용어와 정보교환 구조를 다루는 이유도 여기에 있다. 자율제조를 위해서는 시스템을 단순히 연결하는 것보다 먼저, 각 시스템이 무엇을 의미하고 어떤 데이터를 교환해야 하는지를 정의해야 한다. --- ## 3. AI가 필요로 하는 것은 숫자가 아니라 맥락이다 설비의 온도가 180℃로 측정됐다고 가정해보자. 180℃라는 숫자만으로는 정상인지 이상인지 판단할 수 없다. 어떤 설비의 온도인지, 어느 부분에서 측정했는지, 어떤 제품을 생산하고 있는지 알아야 한다. 현재 공정단계와 원재료의 종류, 정상 운전범위도 확인해야 한다. 같은 180℃라도 어떤 제품에는 정상조건이지만 다른 제품에는 불량을 발생시키는 조건일 수 있다. 즉, 데이터에는 맥락이 필요하다. **데이터값** > *온도 180℃* **맥락이 포함된 데이터** > *2026년 8월 11일 10시 20분, 사출기 3호기에서 원재료 LOT R-0811을 사용해 제품 A를 생산하는 동안 금형 2번 구역의 온도가 180℃로 측정됐다.* **판단 가능한 데이터** > *같은 시간대에 사출압력이 상승하고 제품 중량 편차가 증가했으며, 과거 동일 조건에서 미성형 불량이 발생한 이력이 있다.* AI가 판단하려면 세 번째 수준까지 데이터가 연결되어야 한다. 단순한 센서값이 아니라 제품, 설비, 원재료, 공정조건, 품질결과, 과거 사례의 관계가 필요하다. 이를 정리하면 다음과 같다. **데이터(Data)** ↓ **맥락이 포함된 정보(Contextual Information)** ↓ **원인과 관계를 설명하는 지식(Knowledge)** ↓ **행동을 선택하는 판단(Decision)** 자율제조에서는 데이터 자체보다 데이터에 포함된 의미와 관계가 중요하다. 공장이 스스로 판단하지 못하는 이유는 데이터가 부족해서라기보다, **데이터가 제조상황을 설명할 수 있는 형태로 구조화되어 있지 않기 때문**인 경우가 많다. --- ## 4. 시간과 LOT가 연결되지 않으면 원인을 찾기 어렵다 제조 데이터에서 가장 중요한 연결기준은 시간과 LOT다. 설비에서 발생한 데이터와 생산실적, 품질결과가 같은 시간축에서 연결되어야 한다. 또한 어떤 원재료 LOT가 어떤 제품 LOT에 사용됐는지 추적할 수 있어야 한다. 예를 들어 제품 A에서 불량이 발생했다고 가정해보자. 불량의 원인을 찾으려면 다음의 흐름을 거슬러 올라갈 수 있어야 한다. **완제품 LOT** ↓ **생산일시와 작업지시** ↓ **사용설비와 금형** ↓ **공정조건과 설비상태** ↓ **원재료·부품 LOT** ↓ **작업자와 작업환경** ↓ **검사결과와 불량유형** 이 연결이 만들어져 있으면 불량이 특정 원재료와 관련 있는지, 특정 설비와 관련 있는지, 공정조건의 변화 때문인지 분석할 수 있다. 하지만 현장에서는 시간정보가 정확하지 않은 경우가 많다. 설비의 시계와 MES 서버의 시간이 다를 수 있다. 작업자가 생산실적을 나중에 입력하면 실제 생산시점과 기록시점이 달라진다. 하나의 제품에 여러 원재료 LOT가 혼합되거나, 재공품이 중간에 대기하면 연결은 더욱 복잡해진다. 시간과 LOT의 연결이 끊어지면 AI는 상관관계를 찾을 수는 있어도 실제 원인을 설명하기 어렵다. 따라서 자율제조 데이터의 첫 번째 기반은 거대한 데이터 플랫폼이 아니다. **제품과 원재료, 설비, 공정조건, 품질결과를 시간과 LOT로 연결하는 것**이다. --- ## 5. 데이터 품질이 낮으면 AI의 판단도 흔들린다 AI의 성능을 이야기할 때 알고리즘과 모델의 정확도에 관심을 두기 쉽다. 그러나 제조현장에서는 모델보다 데이터 품질이 더 근본적인 문제인 경우가 많다. 대표적인 데이터 품질 문제는 다음과 같다. ### ① 누락 센서 통신이 끊기거나 작업자가 정보를 입력하지 않아 데이터가 비어 있다. ### ② 오류 센서 고장이나 입력 실수로 실제와 다른 값이 기록된다. ### ③ 중복 동일한 생산실적이나 품질정보가 여러 번 저장된다. ### ④ 불일치 같은 제품과 설비가 시스템마다 서로 다른 코드와 명칭으로 관리된다. ### ⑤ 단위 차이 한 시스템은 온도를 섭씨로 관리하고 다른 시스템은 화씨로 관리할 수 있다. 압력과 길이의 단위도 서로 다를 수 있다. ### ⑥ 시점 차이 수집시간과 실제 발생시간이 다르거나 시스템 사이의 시간이 동기화되지 않는다. ### ⑦ 편향 정상 데이터만 많고 고장이나 불량 데이터는 매우 적을 수 있다. 특정 제품과 설비의 데이터만 집중적으로 수집되기도 한다. 이러한 문제가 있는 데이터를 AI에 학습시키면 그 결과도 신뢰하기 어렵다. 잘못된 센서값을 정상으로 학습할 수 있고, 특정 작업자나 설비의 특성을 전체 공정의 특성으로 오해할 수도 있다. ISO 8000 시리즈는 데이터 품질의 원칙과 관리체계를 다룬다. 특히 ISO 8000-66은 제조운영에서 데이터 품질관리 프로세스의 성숙도를 평가하기 위한 지표를 제시한다. 중요한 점은 데이터 품질을 일회성 정제작업으로 생각해서는 안 된다는 것이다. 데이터는 계속 생성되고 설비와 제품, 공정도 계속 변경된다. 따라서 데이터 품질은 프로젝트를 시작할 때 한 번 정리하는 대상이 아니라, **지속해서 측정하고 관리해야 하는 제조 운영활동**이다. --- ## 6. 같은 데이터를 서로 다르게 부르는 문제 제조현장에서는 같은 대상을 부서와 시스템마다 다르게 부르는 일이 흔하다. 현장에서는 “사출 3호기”라고 부르지만 MES에는 `MC-003`, 설비관리시스템에는 `INJ-03`, PLC에는 `LINE2_PLC03`으로 기록될 수 있다. 제품도 마찬가지다. 영업부서에서 사용하는 제품명과 생산현장의 품목명, 품질부서의 검사코드가 서로 다를 수 있다. 사람은 이 명칭들이 같은 대상을 의미한다는 것을 경험으로 이해한다. 하지만 AI와 시스템은 별도의 정의와 연결정보가 없으면 서로 다른 대상으로 인식한다. 또한 동일한 용어가 서로 다른 의미로 사용되기도 한다. “정지시간”이 어떤 부서에서는 계획정지를 포함하고, 다른 부서에서는 고장정지만 의미할 수 있다. “불량률” 역시 생산수량을 기준으로 계산하는지, 검사수량을 기준으로 계산하는지에 따라 값이 달라진다. 이 문제를 해결하려면 공통 데이터모델과 기준정보가 필요하다. * 제품과 품목의 기준코드 * 설비와 부품의 계층구조 * 공정과 작업의 표준명칭 * 품질항목과 불량유형 * 단위와 계산기준 * 데이터의 소유부서와 책임자 * 시스템 간 코드 변환규칙 그러나 공통 코드만 만드는 것으로 충분하지 않다. 제품이 어느 공정을 거치는지, 설비가 어떤 부품으로 구성되는지, 공정조건이 어떤 품질특성에 영향을 주는지와 같은 관계도 표현해야 한다. 그래서 자율제조에서는 Master Data Management뿐만 아니라 온톨로지, 지식그래프와 같은 의미 기반 기술이 중요해진다. AI가 데이터를 정확하게 이해하려면, **데이터의 이름뿐만 아니라 데이터 사이의 관계까지 설명할 수 있어야 한다.** --- ## 7. 제조 데이터는 어디에서 끊어지는가 제조 데이터는 시스템과 시스템 사이에서만 끊어지는 것이 아니다. 조직과 업무 사이에서도 끊어진다. 생산부서는 생산량과 납기를 중심으로 데이터를 관리한다. 품질부서는 검사결과와 불량을 중심으로 관리하고, 설비보전부서는 고장과 정비이력을 중심으로 관리한다. 각 부서는 자신의 업무에 필요한 데이터를 수집하지만 다른 부서에서 어떻게 활용되는지는 충분히 고려하지 않는 경우가 많다. 대표적으로 다음과 같은 단절이 발생한다. **설계와 생산의 단절** 도면과 공차, 제품 사양이 생산조건과 연결되지 않는다. **생산과 품질의 단절** 생산 당시의 공정조건과 최종 검사결과가 연결되지 않는다. **생산과 정비의 단절** 설비의 운전부하와 고장·부품교체 이력이 연결되지 않는다. **생산과 물류의 단절** 작업지시와 원재료 공급, 재공품 이동정보가 연결되지 않는다. **현장과 경영의 단절** 설비가동률과 불량률은 확인할 수 있지만 그것이 원가와 납기, 매출에 미치는 영향을 설명하기 어렵다. NIST는 스마트제조를 위한 Digital Thread를 설계, 생산, 제품지원 과정의 정보를 연결하고 통합하는 기반으로 설명한다. 자율제조 역시 특정 공정의 센서 데이터만으로 완성되기 어렵다. 제품의 설계부터 원재료, 생산, 품질, 출하, 유지보수까지 이어지는 데이터 흐름이 필요하다. 결국 데이터 사일로는 기술적인 문제이면서 동시에 조직의 문제다. 시스템을 연결하는 것만큼, **부서별로 분리된 데이터의 책임과 활용목적을 다시 정의하는 것**이 중요하다. --- ## 8. 데이터 사일로를 연결하는 방법 데이터 사일로를 해결하기 위해 모든 시스템을 하나로 통합해야 한다고 생각할 수 있다. 그러나 현실적으로 ERP, MES, QMS, CMMS, SCADA와 설비제어시스템을 하나의 시스템으로 교체하는 것은 어렵고 바람직하지도 않다. 각 시스템은 고유한 목적과 역할이 있기 때문이다. 중요한 것은 시스템을 없애는 것이 아니라 필요한 데이터를 공통된 기준으로 연결하는 것이다. 다음과 같은 접근이 필요하다. ### ① 공통 식별체계 정의 제품, 원재료, 설비, 금형, 공정, 작업지시에 공통으로 사용할 식별자를 부여한다. ### ② 시간체계 동기화 설비와 서버, 검사장비의 시간을 동기화하고 발생시간과 입력시간을 구분한다. ### ③ 데이터 인터페이스 표준화 시스템 간에 어떤 데이터를 어떤 형식과 주기로 교환할지 정의한다. ### ④ 기준정보와 코드 정비 제품코드, 설비코드, 불량유형, 단위, 공정명칭의 기준을 정한다. ### ⑤ 데이터 맥락 연결 센서값을 제품, LOT, 작업지시, 공정조건, 품질결과와 연결한다. ### ⑥ 의미모델 구축 설비·공정·제품·품질·정비 사이의 관계를 사람이 이해할 수 있고 기계가 처리할 수 있는 형태로 정의한다. ### ⑦ 책임체계 수립 누가 데이터를 생성하고, 누가 품질을 관리하며, 누가 변경을 승인할지 정한다. ISA-95는 기업과 제조운영·제어 기능 사이의 경계와 정보교환을 정의하는 대표적인 참조체계다. 그러나 표준을 도입하는 것만으로 데이터 연결이 자동으로 완성되는 것은 아니다. 각 기업의 제품, 공정, 설비와 업무특성에 맞는 데이터모델을 함께 설계해야 한다. 핵심은 모든 데이터를 한곳에 모으는 것이 아니다. **필요한 데이터가 공통된 의미로 서로 이해될 수 있도록 만드는 것**이다. --- ## 9. 자율제조를 위한 데이터 기반은 어떻게 구축해야 하는가 자율제조 데이터 기반을 구축할 때 처음부터 전사 데이터 플랫폼을 만들려고 하면 범위가 지나치게 커질 수 있다. 먼저 해결할 제조문제를 선택하고, 그 문제의 판단과 실행에 필요한 데이터를 연결해야 한다. 예를 들어 설비 예지보전을 추진한다면 다음과 같이 접근할 수 있다. ### ① 문제와 목표 정의 > *“프레스 설비의 주요 베어링 고장을 사전에 예측해 비계획 정지를 줄인다.”* ### ② 판단에 필요한 데이터 정의 * 진동, 온도, 전류 * 설비속도와 생산부하 * 고장코드와 알람 * 정비일자와 부품교체 이력 * 베어링 규격과 사용시간 * 생산제품과 작업조건 ### ③ 데이터 위치와 상태 확인 어떤 데이터가 어느 시스템에 저장되어 있는지 확인한다. 수집주기와 보존기간, 누락과 오류도 점검한다. ### ④ 공통 연결기준 정의 설비번호, 부품번호, 시간정보, 정비작업번호를 기준으로 데이터를 연결한다. ### ⑤ 데이터 품질규칙 설정 정상범위, 누락 허용기준, 이상값 처리방식, 단위 변환규칙을 정한다. ### ⑥ 분석과 판단 연결 AI가 고장 가능성만 제시하는 것이 아니라 예상 원인, 긴급도, 권장 정비시점을 함께 제시하도록 한다. ### ⑦ 실행과 결과 연결 AI의 판단을 CMMS의 정비작업 생성과 연결하고, 실제 점검결과와 부품상태를 다시 기록한다. ### ⑧ 다른 설비와 공정으로 확장 첫 번째 적용에서 검증한 데이터모델과 품질관리 방식을 유사 설비와 다른 공정에 확대한다. 이러한 방식은 품질예측, 에너지 최적화, 생산계획, 재고관리에도 적용할 수 있다. 중요한 것은 모든 데이터를 먼저 수집한 다음 활용방법을 찾는 것이 아니다. **해결할 문제에서 출발해 판단과 실행에 필요한 데이터를 역으로 정의하는 것**이다. --- ## 10. 경영진은 데이터의 양보다 무엇을 확인해야 하는가 제조기업의 경영진이 데이터베이스 구조나 센서 통신방식까지 이해할 필요는 없다. 그러나 자율제조를 위한 데이터가 준비되어 있는지는 확인해야 한다. 다음과 같은 질문이 필요하다. **첫째, 우리 공장의 핵심 제품과 설비, 공정에 공통 식별체계가 있는가.** **둘째, 원재료 LOT부터 생산과 품질, 출하까지 추적할 수 있는가.** **셋째, 공정조건과 품질결과를 동일한 시간축에서 비교할 수 있는가.** **넷째, 시스템마다 다른 제품·설비·불량 코드를 연결할 수 있는가.** **다섯째, 데이터의 누락과 오류, 단위, 수집주기를 지속해서 관리하는가.** **여섯째, 데이터가 어떤 의미인지 설명할 수 있는 담당자와 책임부서가 있는가.** **일곱째, AI의 판단과 실행 결과가 다시 데이터로 기록되는가.** 이 질문에 답하지 못한다면 데이터 플랫폼을 구축하고 AI 솔루션을 도입해도 실제 성과로 이어지기 어렵다. 자율제조 데이터 전략의 목표는 데이터를 많이 저장하는 것이 아니다. **제조현장에서 발생한 하나의 사건을 데이터로 재구성하고 설명할 수 있도록 만드는 것**이다. --- ## 마치며 많은 제조기업에는 이미 상당한 양의 데이터가 쌓여 있다. 문제는 데이터가 없다는 것이 아니다. 설비 데이터는 설비 안에 있고, 생산 데이터는 MES에 있으며, 품질 데이터는 QMS와 엑셀파일에 있다. 정비이력은 또 다른 시스템에 저장되어 있다. 각 데이터는 존재하지만 서로 연결되지 않는다. AI가 제조현장을 이해하려면 단순한 숫자 이상의 정보가 필요하다. 어떤 제품을, 어떤 원재료와 설비를 이용해, 언제, 어떤 조건으로 생산했으며, 그 결과 어떤 품질과 고장이 발생했는지를 알아야 한다. 결국 자율제조를 위한 데이터는 다음과 같은 흐름으로 발전해야 한다. **흩어진 데이터** ↓ **정리된 데이터** ↓ **시간과 LOT로 연결된 데이터** ↓ **제품·설비·공정의 맥락을 가진 데이터** ↓ **원인과 관계를 설명하는 제조 지식** ↓ **AI의 판단과 실행에 사용되는 데이터** 데이터가 많다고 공장이 스스로 판단할 수 있는 것은 아니다. 공장이 판단하려면 데이터가 서로 연결되어야 하고, 데이터의 의미와 관계가 설명되어야 하며, 판단 결과와 실행 결과가 다시 축적되어야 한다. 자율제조의 데이터 경쟁력은 거대한 데이터레이크의 크기로 결정되지 않는다. **필요한 순간에 정확한 데이터를 찾아, 그 의미와 관계를 이해하고, 실제 행동으로 연결할 수 있는가.** 바로 이것이 제조기업이 준비해야 할 데이터 기반이다. 다음 글에서는 이렇게 연결된 데이터를 바탕으로 제조 AI가 실제로 무엇을 판단할 수 있는지 살펴보고자 한다. 이상탐지와 예지보전, 품질예측을 넘어 제조 AI의 판단은 어디까지 확장될 수 있을까. **[자율제조 시리즈 ⑤] 제조 AI는 어디까지 판단할 수 있는가?** --- ### 참고자료 * [NIST — 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing](https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing) * [NIST — Digital Thread for Smart Manufacturing](https://www.nist.gov/programs-projects/digital-thread-smart-manufacturing) * [NIST — Current Standards Landscape for Smart Manufacturing Systems](https://nvlpubs.nist.gov/nistpubs/ir/2016/nist.ir.8107.pdf) * [NIST — Standards-based Semantic Integration of Manufacturing Systems](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=926942) * [ISA — ISA-95 Standard: Enterprise-Control System Integration](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) * [ISO — ISO 8000-1:2022, Data Quality—Overview](https://www.iso.org/standard/81745.html) * [ISO — ISO 8000-66:2021, Data Quality Management in Manufacturing Operations](https://www.iso.org/standard/76390.html) * [ISO — ISO 8000-150:2022, Data Quality Management Roles and Responsibilities](https://www.iso.org/standard/80753.html)
2026-08-12
[자율제조 시리즈 ③] 자율제조는 어떻게 보고, 판단하고, 행동하는가?
### 데이터 수집을 넘어 인지·판단·실행·학습이 연결되는 제조 운영체계 자율제조 공장은 스스로 판단하고 대응하는 공장이라고 이야기한다. 그렇다면 공장이 스스로 판단한다는 것은 구체적으로 무엇을 의미할까. 사람은 생산현장에서 문제가 발생하면 먼저 상황을 살펴본다. 설비의 상태와 제품의 품질을 확인하고, 이전에 비슷한 문제가 있었는지 기억해 본다. 이후 원인을 판단하고 적절한 조치를 선택한다. 조치를 실행한 다음에는 문제가 해결됐는지도 확인한다. 자율제조 공장도 기본적으로 이와 비슷한 과정을 거친다. 센서와 시스템을 통해 현장을 보고, AI와 제조 지식을 활용해 상황을 판단한다. Digital Twin이나 공정모델을 통해 대응방안을 검증한 뒤, 설비와 로봇 또는 업무시스템을 통해 실행한다. 그리고 실행 결과를 다시 데이터로 받아 다음 판단에 반영한다. 즉, 자율제조는 다음의 흐름으로 움직인다. **인지(Perception) → 판단(Decision) → 검증(Validation) → 실행(Action) → 학습(Learning)** 이 흐름이 하나의 **Closed Loop**로 연결되어야 공장은 단순히 스마트한 수준을 넘어 자율적으로 운영되기 시작한다. 이번 글에서는 자율제조 공장이 제조현장을 어떻게 보고, 판단하고, 행동하는지 살펴보고자 한다. --- ### 목차 1. 자율제조의 시작은 ‘보는 것’이다 2. 데이터를 수집한다고 상황을 이해하는 것은 아니다 3. 공장은 어떻게 현재 상황을 판단하는가 4. 제조 지식이 없는 AI는 현장을 이해하기 어렵다 5. AI의 판단은 어떻게 만들어지는가 6. 판단했다고 바로 실행할 수는 없다 7. 자율제조의 실행은 어디에서 이루어지는가 8. 실행 결과를 다시 학습해야 한다 9. 자율제조 Closed Loop를 만드는 현실적인 방법 10. 경영진은 무엇을 확인해야 하는가 --- ## 1. 자율제조의 시작은 ‘보는 것’이다 사람이 제조현장의 문제를 해결하려면 먼저 현재 상황을 정확하게 봐야 한다. 기계에서 이상한 소리가 나는지, 제품 표면에 결함이 있는지, 금형온도가 평소와 다른지, 생산속도가 떨어지고 있는지를 확인한다. 자율제조 공장도 마찬가지다. 공장이 스스로 판단하려면 먼저 공장 안에서 무슨 일이 일어나고 있는지 알 수 있어야 한다. 이를 위해 다음과 같은 다양한 데이터가 필요하다. **설비 데이터** * 온도, 압력, 진동, 전류, 전압 * 회전속도, 토크, 위치, 가동시간 * 알람, 고장코드, 정지시간 **공정 데이터** * 사이클타임, 공정조건, 작업순서 * 생산속도, 대기시간, 병목시간 * 금형과 치공구의 사용정보 **품질 데이터** * 치수, 중량, 표면 상태 * 검사결과, 불량유형, 불량률 * 머신비전 이미지와 측정데이터 **생산 데이터** * 생산계획, 작업지시, 생산실적 * 제품번호, LOT, 원재료, 작업자 * 주문량, 납기, 재공품과 재고 **환경과 에너지 데이터** * 온도, 습도, 분진, 조도 * 전력, 가스, 용수, 압축공기 * 설비별 에너지 사용량 기존 스마트공장에서도 이러한 데이터를 수집해 왔다. 그러나 자율제조에서는 데이터 수집의 목적이 달라진다. 기존의 데이터 수집이 생산현황을 보여주기 위한 것이었다면, 자율제조의 데이터 수집은 **AI가 현재의 상황을 이해하고 다음 행동을 결정하기 위한 것**이다. 따라서 중요한 것은 센서를 얼마나 많이 설치했는가가 아니다. **판단에 필요한 데이터를 적절한 시점에 확보할 수 있는가**가 중요하다. --- ## 2. 데이터를 수집한다고 상황을 이해하는 것은 아니다 생산현장에서 온도가 210℃로 측정됐다고 가정해보자. 210℃라는 숫자만으로는 정상인지 이상인지 판단하기 어렵다. 어떤 설비의 온도인지, 어떤 제품을 생산하고 있는지, 측정 위치가 어디인지, 정상범위는 얼마인지 알아야 한다. 동일한 온도라도 제품과 공정단계, 원재료, 설비상태에 따라 의미가 달라질 수 있다. 즉, 데이터에는 맥락이 필요하다. 예를 들어 다음의 정보가 연결되어야 한다. > *“2026년 8월 11일 10시 20분, 사출기 3호기에서 제품 A를 생산하는 동안 금형 2번 구역의 온도가 210℃로 상승했으며, 같은 시간대에 제품 중량 편차가 증가했다.”* 이렇게 데이터가 시간, 설비, 제품, 공정조건, 품질결과와 연결되어야 비로소 상황을 이해할 수 있다. 자율제조에서 필요한 것은 단순한 데이터 포인트가 아니다. **데이터 사이의 관계와 의미**다. 제품 LOT와 원재료 LOT가 연결되어야 하고, 공정조건과 품질결과가 연결되어야 한다. 설비의 이상징후와 정비이력도 같은 시간축에서 비교할 수 있어야 한다. ISA-95 또는 IEC 62264가 기업의 업무시스템과 제조운영·제어시스템 사이의 모델과 정보교환을 다루는 이유도 여기에 있다. 제조현장의 시스템이 서로 다른 데이터 구조와 용어를 사용하면 공정 전체의 상황을 일관되게 이해하기 어렵기 때문이다. 결국 자율제조의 인지 능력은 센서의 수보다, **데이터를 얼마나 정확한 맥락으로 연결했는가**에 달려 있다. --- ## 3. 공장은 어떻게 현재 상황을 판단하는가 데이터가 연결됐다고 해서 공장이 곧바로 상황을 이해하는 것은 아니다. 수집된 데이터를 해석해 현재 상태가 정상인지, 이상인지, 위험한지를 구분해야 한다. 자율제조 공장의 상황 인식은 대체로 다음과 같은 단계로 이루어진다. ### ① 상태 확인 현재 생산량, 설비상태, 공정조건, 품질수준을 확인한다. > *“현재 무슨 일이 일어나고 있는가?”* ### ② 이상 탐지 정상적인 범위와 패턴에서 벗어난 변화를 찾는다. > *“평소와 다른 점은 무엇인가?”* ### ③ 원인 추론 여러 데이터의 관계를 분석해 이상이 발생한 원인을 찾는다. > *“왜 이런 일이 발생했는가?”* ### ④ 영향 예측 현재 상태가 계속될 경우 품질, 생산량, 납기, 설비에 어떤 영향을 미칠지 예측한다. > *“이 상태가 계속되면 어떤 일이 발생하는가?”* ### ⑤ 대응 필요성 판단 즉시 조치해야 하는지, 관찰을 계속해야 하는지, 작업자의 확인이 필요한지 결정한다. > *“지금 무엇을 해야 하는가?”* 예를 들어 설비의 진동값이 평소보다 높아졌다고 가정해보자. 단순 경보시스템은 진동값이 설정된 기준을 초과했는지만 확인한다. 자율제조 시스템은 조금 더 복합적으로 판단해야 한다. 현재 생산 중인 제품과 설비속도, 베어링 온도, 전류값, 최근 정비이력, 과거 고장패턴을 함께 분석한다. 그리고 단순한 일시적 변화인지, 부품 마모가 진행되는 것인지, 즉시 정비가 필요한 상태인지를 판단한다. 결국 상황 인식은 하나의 센서값을 읽는 것이 아니다. **다양한 데이터를 결합해 제조현장의 현재 상태를 해석하는 것**이다. --- ## 4. 제조 지식이 없는 AI는 현장을 이해하기 어렵다 AI는 데이터에서 패턴을 찾는 데 강하다. 그러나 데이터만으로 제조현장의 모든 상황을 이해할 수 있는 것은 아니다. 예를 들어 불량률이 높아지는 패턴을 AI가 발견했다고 하자. AI는 금형온도와 사출압력의 변화가 불량률과 관련이 있다고 분석할 수 있다. 하지만 해당 조건을 어느 범위까지 변경할 수 있는지, 변경할 경우 설비와 제품에 어떤 위험이 생기는지는 별도의 제조 지식이 필요하다. 자율제조에서는 다음과 같은 지식이 함께 연결되어야 한다. * 설비의 정상 운전범위 * 제품별 표준 공정조건 * 원재료의 특성과 사용기준 * 품질검사 기준과 허용공차 * 고장원인과 정비절차 * 작업표준서와 안전수칙 * 생산계획과 납기 우선순위 * 작업자의 경험과 문제해결 사례 이러한 지식은 매뉴얼, SOP, 설비도면, 품질기준서, 정비이력, 작업자의 경험 속에 흩어져 있다. 문제는 이 지식들이 대부분 문서나 사람의 머릿속에만 존재한다는 점이다. AI가 제조현장을 제대로 판단하려면 데이터와 함께 **규칙, 관계, 제약조건, 과거의 경험**을 이해할 수 있어야 한다. 여기서 온톨로지와 지식그래프, Semantic AI의 중요성이 커진다. 설비와 부품, 제품, 공정, 작업조건, 품질결과 사이의 관계를 구조화하면 AI는 단순한 상관관계를 넘어 제조현장의 의미를 좀 더 체계적으로 해석할 수 있다. 결국 자율제조의 판단력은 AI 모델의 성능만으로 결정되지 않는다. **제조 데이터를 제조 지식과 얼마나 잘 연결했는가**가 중요하다. --- ## 5. AI의 판단은 어떻게 만들어지는가 자율제조에서 AI의 역할은 단순히 이상을 탐지하는 데서 끝나지 않는다. 현재 상황을 분석하고, 여러 대응방안을 비교해 제조목표에 가장 적합한 행동을 선택해야 한다. AI의 판단은 일반적으로 다음 요소를 함께 고려한다. ### ① 현재 상태 설비와 공정, 품질, 생산계획이 현재 어떤 상태인지 확인한다. ### ② 목표 생산량, 품질, 납기, 에너지, 안전 중 무엇을 우선해야 하는지 정의한다. ### ③ 제약조건 설비의 허용범위, 안전기준, 품질기준, 작업시간, 재고와 인력 등의 제한조건을 확인한다. ### ④ 가능한 행동 공정조건 조정, 생산순서 변경, 설비속도 조절, 정비 요청 등 가능한 대응방법을 생성한다. ### ⑤ 예상 결과 각 행동이 생산량과 품질, 에너지, 설비수명에 미치는 영향을 예측한다. ### ⑥ 최적안 선택 목표와 제약조건을 함께 고려해 가장 적합한 대응방안을 선택한다. 예를 들어 생산량은 유지하면서 에너지 사용량을 줄여야 한다고 가정해보자. AI는 단순히 전력 사용량이 높은 설비를 정지시킬 수 없다. 현재 주문과 납기, 설비별 생산능력, 제품 변경시간, 에너지 단가, 재공품 상태를 함께 고려해야 한다. 생산량을 유지하면서 피크시간대의 설비운전을 조정하거나, 생산순서를 변경하는 대안을 찾아야 한다. 이것이 자율제조에서 이야기하는 판단이다. 단순히 하나의 수치를 예측하는 것이 아니라, **여러 목표와 제약조건 사이에서 실행 가능한 행동을 선택하는 것**이다. --- ## 6. 판단했다고 바로 실행할 수는 없다 AI가 최적의 대응방안을 제시했다고 해서 실제 생산라인에 바로 적용할 수 있는 것은 아니다. 제조현장에서 잘못된 판단은 불량 증가를 넘어 설비손상, 생산중단, 안전사고로 이어질 수 있다. 따라서 AI의 판단과 설비의 실행 사이에는 검증과 통제 과정이 필요하다. 다음과 같은 방법을 활용할 수 있다. ### ① 업무규칙 검증 AI의 판단이 품질기준과 안전규칙, 설비 운전범위를 위반하지 않는지 확인한다. ### ② Digital Twin 검증 공정조건을 변경했을 때 생산량과 품질, 병목, 에너지 사용량이 어떻게 변하는지 가상환경에서 시험한다. ISO 23247은 제조 디지털트윈의 기본 원칙과 참조구조를 제시하고 있으며, 정보교환 요구사항을 통해 실제 제조요소와 디지털트윈 사이의 연결을 다룬다. ### ③ 과거 사례 비교 이전에 동일하거나 유사한 조치를 실행했을 때 어떤 결과가 발생했는지 확인한다. ### ④ 사람의 승인 위험도와 영향이 큰 결정은 작업자, 엔지니어 또는 관리자가 검토하고 승인한다. ### ⑤ 실행범위 제한 AI가 변경할 수 있는 온도, 압력, 속도 등의 범위를 사전에 제한한다. NIST의 AI 위험관리 프레임워크는 신뢰할 수 있는 AI의 주요 특성으로 유효성과 신뢰성, 안전성, 보안과 회복탄력성, 책임성과 투명성, 설명가능성과 해석가능성 등을 제시한다. 제조현장에서는 이러한 원칙이 더욱 중요하다. AI가 어떤 판단을 내렸는지뿐만 아니라, **왜 그런 판단을 내렸고, 어떤 조건에서 실행할 수 있으며, 문제가 발생하면 누가 개입할 것인지**가 명확해야 한다. --- ## 7. 자율제조의 실행은 어디에서 이루어지는가 자율제조에서 실행은 설비를 직접 제어하는 것만을 의미하지 않는다. AI의 판단은 제조현장의 여러 시스템과 업무에 다양한 형태로 반영될 수 있다. **설비 실행** * 온도, 압력, 속도 등 공정조건 조정 * 설비 운전모드 변경 * 로봇 동작과 작업순서 변경 **생산 실행** * 작업지시 변경 * 생산순서와 설비배정 조정 * 병목공정 우선처리 **품질 실행** * 검사주기 변경 * 불량 의심제품 자동 분리 * 추가검사 또는 공정조건 보정 **정비 실행** * 예방정비 작업 생성 * 부품교체 일정 조정 * 고장 위험 설비의 부하 감소 **물류 실행** * 원재료와 부품 공급 요청 * AGV·AMR 운행경로 변경 * 재공품과 완제품 이동 우선순위 조정 **에너지 실행** * 피크시간대 설비운전 조정 * 설비별 에너지 최적 운전 * 생산계획과 에너지 비용의 연계 ISA-95는 기업의 계획 영역과 제조운영·제어 영역 사이의 정보교환을 구조화한다. 이러한 연결이 필요한 이유는 AI의 판단이 ERP나 MES의 계획 변경에서 끝나지 않고, 실제 작업과 설비제어까지 일관되게 전달되어야 하기 때문이다. 자율제조의 실행은 하나의 시스템에서 이루어지지 않는다. ERP, APS, MES, QMS, CMMS, WMS, SCADA, PLC, 로봇과 설비가 서로 연결되어야 한다. 결국 실행의 핵심은 AI가 명령을 내리는 것이 아니라, **AI의 판단이 기존 제조시스템의 업무와 제어 흐름 안에서 안전하게 작동하도록 만드는 것**이다. --- ## 8. 실행 결과를 다시 학습해야 한다 자율제조의 Closed Loop는 실행에서 끝나지 않는다. AI가 제안한 조치를 실행한 다음에는 그 결과를 확인해야 한다. 공정조건을 변경한 뒤 불량률이 실제로 감소했는가. 설비속도를 조정한 뒤 생산량과 에너지 사용량은 어떻게 변했는가. 정비시점을 앞당긴 결과 고장을 예방할 수 있었는가. 생산순서를 변경한 뒤 납기와 재공품은 개선됐는가. 결과를 측정하지 않으면 AI의 판단이 옳았는지 알 수 없다. 따라서 자율제조 시스템은 다음의 정보를 기록해야 한다. * 어떤 상황이 발생했는가 * AI는 어떤 원인을 추론했는가 * 어떤 대응방안을 제시했는가 * 누가 실행을 승인했는가 * 실제로 어떤 조치가 실행됐는가 * 실행 전후의 KPI는 어떻게 변했는가 * 예상하지 못한 부작용은 없었는가 이러한 데이터가 축적되면 AI는 어떤 상황에서 어떤 조치가 효과적이었는지 학습할 수 있다. 작업자의 수정과 승인도 중요한 학습데이터가 된다. AI가 제시한 대응안을 작업자가 변경했다면, 왜 변경했는지를 기록해야 한다. 그 이유가 품질기준 때문인지, 설비의 특성 때문인지, 고객 납기 때문인지 알아야 다음 판단을 개선할 수 있다. 결국 학습은 AI 모델을 다시 훈련하는 것만을 의미하지 않는다. **제조조직이 실행의 경험을 지식으로 축적하고 다음 의사결정에 활용하는 것**까지 포함한다. --- ## 9. 자율제조 Closed Loop를 만드는 현실적인 방법 자율제조를 구현한다고 해서 처음부터 공장 전체의 인지·판단·실행을 연결할 필요는 없다. 하나의 공정과 하나의 문제를 대상으로 작은 Closed Loop를 만드는 것이 현실적이다. 예를 들어 사출성형 공정의 불량률 감소를 목표로 한다면 다음과 같이 접근할 수 있다. ### ① 문제 정의 어떤 불량을 줄일 것인지 명확히 한다. > *“제품 중량 편차로 인한 불량률을 낮춘다.”* ### ② 데이터 연결 금형온도, 사출압력, 보압시간, 원재료 LOT, 제품 중량과 품질결과를 연결한다. ### ③ 상황 인식 정상조건과 이상조건을 구분하고 불량 가능성이 높아지는 패턴을 탐지한다. ### ④ 원인과 대응방안 분석 AI가 불량에 영향을 주는 주요 요인을 분석하고 공정조건 변경안을 제시한다. ### ⑤ 실행 전 검증 공정모델이나 Digital Twin, 업무규칙을 통해 변경안이 허용범위 안에 있는지 확인한다. ### ⑥ 사람의 승인과 실행 초기에는 작업자가 대응안을 승인하고 설비조건을 변경한다. ### ⑦ 결과 평가 조건 변경 전후의 불량률, 사이클타임, 에너지 사용량을 비교한다. ### ⑧ 제한적 자동화 충분한 검증이 이루어진 범위부터 AI가 조건을 자동으로 조정하도록 한다. 이러한 작은 Closed Loop가 안정적으로 작동하면 다른 제품과 설비, 공정으로 확장할 수 있다. 중요한 것은 처음부터 자율성을 높이는 것이 아니다. **인지와 판단, 실행, 결과평가가 끊기지 않고 연결되는 경험을 만드는 것**이다. --- ## 10. 경영진은 무엇을 확인해야 하는가 자율제조 시스템을 구축할 때 경영진이 AI 모델의 알고리즘까지 이해할 필요는 없다. 그러나 의사결정 구조가 실제로 연결되어 있는지는 확인해야 한다. 다음과 같은 질문이 필요하다. **첫째, AI가 판단하기 위해 필요한 데이터가 실시간으로 연결되어 있는가.** **둘째, 데이터에 제품·설비·공정·품질의 맥락이 포함되어 있는가.** **셋째, AI는 이상을 탐지하는 데서 끝나는가, 아니면 원인과 대응방안까지 제시하는가.** **넷째, AI의 판단을 실행하기 전에 안전성과 품질 영향을 검증할 수 있는가.** **다섯째, AI의 판단은 작업지시와 생산계획, 설비제어에 연결되는가.** **여섯째, 위험한 결정에는 사람이 개입할 수 있는가.** **일곱째, 실행 전후의 성과를 측정하고 다음 판단에 반영하는가.** 이 질문에 답할 수 없다면 AI 기술을 도입했더라도 자율제조의 Closed Loop가 완성됐다고 보기 어렵다. 좋은 AI 모델을 만드는 것보다 더 어려운 것은, **AI의 판단을 실제 제조운영에 안전하게 연결하고 그 결과에 책임지는 체계를 만드는 것**이다. --- ## 마치며 자율제조 공장은 단순히 데이터를 많이 수집하는 공장이 아니다. AI가 설치된 공장도 아니고, 로봇이 사람 없이 움직이는 공장만을 의미하지도 않는다. 자율제조 공장은 제조현장에서 발생하는 데이터를 통해 현재 상황을 인식하고, 제조 지식과 AI를 이용해 필요한 행동을 판단한다. 그 판단을 Digital Twin과 업무규칙으로 검증하고, 설비와 로봇, 생산시스템을 통해 실행한다. 그리고 실행 결과를 다시 데이터와 지식으로 축적한다. 결국 자율제조의 핵심 구조는 다음과 같다. **현장을 본다.** **상황을 이해한다.** **무엇을 해야 할지 판단한다.** **실행하기 전에 검증한다.** **설비와 시스템을 통해 행동한다.** **결과를 확인하고 다시 학습한다.** 이 흐름이 하나로 연결될 때 공장은 단순한 자동화 시스템을 넘어 변화에 대응하는 제조시스템으로 발전한다. 자율제조의 경쟁력은 AI가 얼마나 똑똑한가만으로 결정되지 않는다. **데이터와 지식, 판단과 실행, 사람과 시스템을 얼마나 끊김 없이 연결할 수 있는가.** 바로 이 연결이 자율제조의 실질적인 경쟁력이 될 것이다. 다음 글에서는 자율제조의 출발점인 제조 데이터 문제를 조금 더 깊이 살펴보고자 한다. 많은 제조기업이 데이터를 수집하고 있지만, AI가 실제 판단에 사용할 수 있는 데이터는 생각보다 많지 않다. **[자율제조 시리즈 ④] 제조 데이터가 많은데 왜 공장은 스스로 판단하지 못하는가?** --- ### 참고자료 * [NIST — 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing](https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing) * [NIST — Artificial Intelligence Risk Management Framework](https://www.nist.gov/itl/ai-risk-management-framework) * [NIST — Trustworthy and Responsible AI](https://www.nist.gov/trustworthy-and-responsible-ai) * [ISA — ISA-95 Standard: Enterprise-Control System Integration](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) * [ISA — ANSI/ISA-95.00.01-2025, Enterprise-Control System Integration](https://www.isa.org/news-press-releases/2025/april/update-to-isa-95-standard-addresses-integration-of) * [ISO — ISO 23247-1:2021, Digital Twin Framework for Manufacturing](https://www.iso.org/standard/75066.html) * [ISO — ISO 23247-4:2021, Information Exchange for Manufacturing Digital Twins](https://www.iso.org/standard/78745.html)
2026-08-11
[자율제조 시리즈 ②] 자동화 공장과 자율제조 공장은 무엇이 다른가?
### 정해진 대로 움직이는 공장에서, 상황을 이해하고 대응하는 공장으로 제조현장을 방문하면 자동화와 자율제조를 구분하기 어려울 때가 있다. 산업용 로봇이 움직이고, 컨베이어가 제품을 운반하며, PLC가 설비를 제어한다. 무인운반차가 자재를 공급하고 머신비전이 제품의 불량을 검사한다. 겉으로 보면 이미 공장이 스스로 움직이는 것처럼 보인다. 그렇다면 자동화 설비와 로봇이 많이 설치된 공장을 자율제조 공장이라고 부를 수 있을까. 결론부터 말하면 그렇지 않다. 자동화와 자율제조는 서로 연결되어 있지만, 같은 개념은 아니다. 자동화가 미리 정해진 조건과 절차를 기계가 반복해서 수행하는 것이라면, 자율제조는 생산환경의 변화를 인식하고 판단하며 필요한 대응을 실행하는 제조체계다. 쉽게 말하면, **자동화 공장은 ‘정해진 일을 잘하는 공장’이고,** **자율제조 공장은 ‘달라진 상황에 대응하는 공장’이다.** 이번 글에서는 자동화 공장과 자율제조 공장의 차이를 살펴보고, 제조기업이 자동화를 넘어 자율제조로 발전하기 위해 무엇을 준비해야 하는지 생각해 보고자 한다. --- ### 목차 1. 자동화 공장은 무엇을 잘하는가 2. 자동화가 많아지면 자율제조가 되는가 3. 핵심적인 차이는 ‘판단’에 있다 4. 자동화 공장과 자율제조 공장의 운영구조 5. 자율제조는 어떻게 상황에 대응하는가 6. 자율성은 한 번에 완성되지 않는다 7. 자율제조가 곧 무인공장을 의미하지는 않는다 8. 자동화에서 자율제조로 넘어가기 위한 조건 9. 작은 의사결정 하나부터 자율화해야 한다 10. 경영진은 무엇을 기준으로 판단해야 하는가 --- ## 1. 자동화 공장은 무엇을 잘하는가 자동화 공장의 가장 큰 장점은 반복성과 정확성이다. 사람이 수행하던 반복적인 작업을 PLC, 자동화 설비, 산업용 로봇이 대신한다. 미리 입력된 프로그램과 생산조건에 따라 같은 작업을 빠르고 일정하게 수행한다. 예를 들어 자동차 차체부품을 생산하는 프레스 공장을 생각해보자. 소재가 투입되면 프레스가 설정된 압력과 속도로 제품을 가공한다. 로봇은 가공된 제품을 다음 공정으로 옮기고, 검사장비는 정해진 기준에 따라 제품의 이상 여부를 확인한다. 모든 공정이 계획대로 진행되고 생산조건이 일정하다면 자동화 공장은 매우 효율적이다. 생산속도를 높일 수 있고, 작업 편차를 줄일 수 있으며, 위험하거나 반복적인 작업에서 사람을 분리할 수도 있다. 따라서 자동화는 제조혁신의 중요한 기반이다. 문제는 생산현장의 조건이 항상 일정하지 않다는 데 있다. 원재료의 특성이 달라질 수 있고, 금형온도가 상승할 수 있다. 설비의 진동이 평소보다 커지거나 특정 시간대에 불량이 증가할 수도 있다. 갑작스러운 주문 변경으로 생산계획을 수정해야 할 수도 있고, 앞 공정의 지연이 뒤 공정의 병목으로 이어질 수도 있다. 기존 자동화 시스템은 이러한 변화를 감지하고 경보를 발생시킬 수는 있다. 그러나 변화가 발생한 원인을 이해하고, 여러 대응 방법을 비교하고, 최적의 조치를 선택하는 일은 대부분 사람에게 남아 있다. 즉, **자동화는 움직일 수 있지만, 반드시 판단할 수 있는 것은 아니다.** --- ## 2. 자동화가 많아지면 자율제조가 되는가 공장에 로봇과 자동화 설비를 더 많이 설치하면 자율제조에 가까워진다고 생각하기 쉽다. 하지만 자동화의 양과 자율성의 수준은 반드시 비례하지 않는다. 공장 전체가 자동화되어 있어도 각각의 설비가 정해진 프로그램에 따라 독립적으로 작동한다면, 변화가 발생했을 때 전체 공정을 조정하는 것은 여전히 사람의 역할이다. 반대로 자동화 설비가 많지 않은 공장이라도 데이터를 기반으로 이상을 예측하고, 생산조건 변경안을 제시하며, 작업자의 승인을 받아 실행하는 체계를 갖추었다면 부분적인 자율제조가 시작됐다고 볼 수 있다. 결국 중요한 것은 자동화 설비의 개수가 아니다. **생산현장에서 발생하는 변화에 대해 시스템이 어디까지 스스로 대응할 수 있는가**가 중요하다. 이를 구분하면 다음과 같다. **자동화** > *정해진 조건에서 정해진 작업을 반복한다.* **지능화** > *데이터를 분석해 현재 상황과 미래 가능성을 알려준다.* **자율화** > *분석 결과를 바탕으로 대응 방법을 결정하고 실행하며, 그 결과를 다시 반영한다.* 자동화가 작업의 수행방식을 바꾸는 것이라면, 자율화는 제조현장의 의사결정 방식을 바꾸는 것이다. --- ## 3. 핵심적인 차이는 ‘판단’에 있다 자동화 공장과 자율제조 공장을 구분하는 핵심은 판단의 주체다. 기존 자동화 공장에서는 사람이 목표와 조건, 작업순서, 예외 처리방법을 미리 정의한다. 시스템은 정의된 규칙에 따라 작업을 수행한다. 설정된 범위를 벗어나는 상황이 발생하면 경보를 발생시키거나 설비를 정지한다. 이후 작업자나 엔지니어가 현장을 확인하고 원인을 분석한다. 즉, **사람의 판단 → 프로그램 설정 → 설비 실행** 의 구조다. 자율제조에서는 이 구조가 달라진다. 센서와 생산시스템을 통해 현재 상황을 파악하고, AI와 제조 지식을 활용해 원인을 추론한다. 여러 대응방법을 비교하고, 허용된 범위에서 최적의 조치를 추천하거나 실행한다. 즉, **데이터 → 상황 인식 → AI 판단 → 검증 → 실행 → 결과 확인** 의 구조다. 여기서 중요한 것은 AI가 예측 결과를 보여주는 것만으로는 충분하지 않다는 점이다. AI가 불량 가능성을 예측했지만 아무런 후속 조치와 연결되지 않는다면, 그것은 지능형 분석시스템일 수는 있어도 자율제조 시스템이라고 보기는 어렵다. 자율제조에서는 AI의 판단이 작업지시, 생산계획, 품질관리 또는 설비 제어와 연결되어야 한다. 결국 자율제조의 핵심은 분석이 아니라, **분석 결과가 실제 제조활동의 변화로 이어지는가**에 있다. --- ## 4. 자동화 공장과 자율제조 공장의 운영구조 자동화 공장과 자율제조 공장의 차이를 운영 관점에서 정리하면 다음과 같다. | 구분 | 자동화 공장 | 자율제조 공장 | | ------ | ---------------- | ----------------------- | | 운영 기준 | 미리 정의된 작업순서와 조건 | 실시간 상황과 생산목표 | | 데이터 활용 | 수집·모니터링·경보 | 예측·추론·최적화·실행 | | 변화 대응 | 작업자가 확인하고 조치 | AI가 대응안을 추천하거나 제한적으로 실행 | | 의사결정 | 사람 중심 | 사람과 AI의 협업 | | 설비 제어 | 사전 프로그램과 고정된 규칙 | 상황에 따른 동적 조건 변경 | | 문제 해결 | 문제 발생 후 원인분석 | 문제 예측과 선제적 대응 | | 개선 방식 | 사후 분석과 프로그램 수정 | 실행 결과를 반영한 지속적 개선 | | 주요 목표 | 생산속도와 반복 작업의 효율화 | 품질·생산성·납기·에너지의 종합 최적화 | 이 차이는 단순히 AI를 사용하는가의 문제가 아니다. 생산계획과 MES, 품질시스템, 설비제어시스템이 서로 분리되어 있다면 AI가 좋은 판단을 내리더라도 실제 생산운영에 반영하기 어렵다. ISA-95 또는 IEC 62264가 기업의 업무시스템과 제조제어시스템 사이의 통합구조를 다루는 이유도 여기에 있다. 생산과 경영, 설비 데이터가 명확한 정보모델을 기반으로 연결되어야 제조 의사결정을 일관되게 수행할 수 있기 때문이다. 자율제조는 하나의 AI 모델을 도입하는 프로젝트가 아니다. **기업의 목표와 생산운영, 현장 제어를 하나의 의사결정 흐름으로 연결하는 프로젝트**다. --- ## 5. 자율제조는 어떻게 상황에 대응하는가 사출성형 공정에서 제품의 불량 가능성이 높아진 상황을 생각해보자. 자동화 공장은 미리 설정된 사출압력, 금형온도, 보압시간에 따라 계속 제품을 생산한다. 센서값이 허용범위를 벗어나면 경보를 발생시키거나 설비를 정지할 수 있다. 품질검사에서 불량이 확인되면 작업자가 생산을 중단하고 원인을 분석한다. 자율제조 공장은 접근 방식이 다르다. 먼저 설비의 온도, 압력, 속도, 진동과 제품 품질 데이터를 실시간으로 분석한다. AI는 현재의 금형온도와 보압시간, 원재료 LOT, 이전 생산결과를 함께 비교한다. 특정 조건의 조합이 불량 가능성을 높이고 있다고 판단하면 대응방안을 만든다. 그러나 AI가 판단했다고 해서 즉시 설비값을 변경하는 것은 위험할 수 있다. 따라서 디지털트윈이나 공정모델을 이용해 조건 변경이 품질과 생산량, 설비 안전에 어떤 영향을 미칠지 먼저 검증할 수 있다. ISO 23247은 제조 분야 디지털트윈의 기본 원칙과 프레임워크, 정보교환 구조를 다루고 있다. 검증 결과가 허용범위 안에 있으면 작업자에게 조건 변경을 추천하거나, 사전에 승인된 범위에서 시스템이 직접 설정값을 조정한다. 마지막으로 불량률이 실제로 감소했는지를 확인하고, 그 결과를 다음 판단에 활용한다. 이를 정리하면 다음과 같다. **현장 데이터 수집** ↓ **현재 상황과 이상징후 인식** ↓ **원인과 영향 분석** ↓ **대응방안 생성** ↓ **Digital Twin 또는 공정모델 검증** ↓ **사람의 승인 또는 제한적 자동 실행** ↓ **결과 확인과 학습** 이러한 **Closed Loop**가 형성될 때 자동화는 자율제조로 발전하기 시작한다. --- ## 6. 자율성은 한 번에 완성되지 않는다 자율제조를 완전한 무인공장의 모습으로만 생각하면 현실적인 도입전략을 수립하기 어렵다. 제조현장에는 품질과 안전, 생산중단, 설비손상, 고객 납기 등 다양한 위험이 존재한다. 따라서 AI의 판단과 실행 권한은 위험도와 데이터의 신뢰성에 따라 단계적으로 확대해야 한다. 현실적인 발전과정은 다음과 같이 볼 수 있다. **1단계: AI가 알려주는 단계** AI가 이상, 불량 또는 설비고장의 가능성을 탐지해 작업자에게 알린다. **2단계: AI가 추천하는 단계** AI가 문제의 원인과 대응방법을 분석해 작업자에게 추천한다. **3단계: 사람과 AI가 함께 결정하는 단계** AI가 여러 대응안을 비교하고, 작업자 또는 관리자가 최종 실행안을 승인한다. **4단계: AI가 제한된 범위에서 실행하는 단계** 설정된 안전범위와 업무규칙 안에서 AI가 생산조건이나 작업계획을 자동으로 조정한다. **5단계: 여러 공정을 연결해 최적화하는 단계** AI가 생산, 품질, 설비, 물류, 에너지의 영향을 함께 고려해 공정 전체를 조정한다. 중요한 것은 높은 단계로 빠르게 올라가는 것이 아니다. 각 단계에서 AI의 판단 정확도와 실행 결과를 검증하고, 실패했을 때 사람이 개입할 수 있는 구조를 갖추는 것이 중요하다. NIST의 2026년 스마트제조 AI·ML 로드맵 역시 자율시스템의 확대 가능성과 함께 산업환경에서 요구되는 신뢰성, 설명가능성, 안전성과 이기종 센싱·제어시스템 통합을 주요 과제로 제시한다. --- ## 7. 자율제조가 곧 무인공장을 의미하지는 않는다 자율제조를 이야기하면 가장 먼저 나오는 질문이 있다. **“결국 사람을 없애는 것인가?”** 자율제조의 목적을 단순한 무인화로 이해해서는 안 된다. 제조현장의 모든 판단을 AI가 대신할 수 있는 것도 아니고, 그렇게 하는 것이 바람직한 것도 아니다. 일상적이고 반복적이며 충분히 검증된 판단은 AI가 담당할 수 있다. 반면 안전사고의 위험이 크거나, 고객과의 계약에 영향을 주거나, 대규모 생산중단으로 이어질 수 있는 결정은 사람이 최종 책임을 져야 한다. 따라서 현실적인 자율제조는 다음과 같은 역할 분담을 필요로 한다. **AI가 잘할 수 있는 일** * 대규모 데이터의 실시간 분석 * 반복되는 이상패턴 탐지 * 품질과 고장 가능성 예측 * 복수의 생산조건과 대안 비교 * 정해진 범위 내의 신속한 조건 조정 **사람이 담당해야 할 일** * 목표와 우선순위 설정 * 예외적 상황에 대한 판단 * 안전과 윤리, 책임이 수반되는 결정 * AI가 학습하지 못한 새로운 문제 해결 * 공정과 조직 전체에 대한 개선 방향 결정 결국 자율제조는 사람을 없애는 것이 아니라, **사람이 해야 할 판단과 AI가 수행할 판단을 다시 설계하는 것**이다. Human-in-the-loop를 무조건 제거하는 것이 아니라, 위험과 책임에 따라 사람의 개입 수준을 적절하게 배치해야 한다. --- ## 8. 자동화에서 자율제조로 넘어가기 위한 조건 자동화 설비를 보유한 공장이 자율제조로 발전하려면 몇 가지 기반이 필요하다. ### ① 데이터가 연결되어 있어야 한다 설비 데이터만으로는 공정 전체를 이해하기 어렵다. 제품, 원재료, 생산계획, 작업조건, 설비상태, 검사결과, 에너지 사용량이 시간과 LOT를 기준으로 연결되어야 한다. --- ### ② 데이터의 의미가 정의되어 있어야 한다 데이터를 많이 수집한다고 AI가 제조현장을 이해하는 것은 아니다. 각 데이터가 어떤 설비와 제품, 공정, 품질결과를 의미하는지 명확하게 정의해야 한다. 동일한 설비와 품질항목이 시스템마다 서로 다른 이름과 단위로 관리된다면 AI의 판단도 신뢰하기 어렵다. --- ### ③ AI의 판단이 업무와 설비에 연결되어야 한다 예측 결과가 대시보드와 경보에서 끝나서는 안 된다. AI가 제시한 결과가 작업지시, 정비계획, 생산계획, 품질판정 또는 설비조건 변경으로 이어질 수 있어야 한다. --- ### ④ 실행 전 검증체계가 있어야 한다 AI가 생성한 대응안을 실제 생산라인에 바로 적용하는 것은 위험하다. 공정모델, Digital Twin, 시뮬레이션 또는 안전규칙을 활용해 실행 가능성과 영향을 사전에 검증해야 한다. --- ### ⑤ 결과를 다시 평가해야 한다 AI의 판단이 실제로 불량률을 낮추고 생산성을 높였는지 확인해야 한다. 실행 결과가 다시 데이터로 축적되지 않으면 시스템은 스스로 개선될 수 없다. 결국 자율제조는 **데이터 → 의미 → 판단 → 검증 → 실행 → 학습** 이 연결되는 구조를 만드는 것이다. --- ## 9. 작은 의사결정 하나부터 자율화해야 한다 중소 제조기업이 처음부터 공장 전체를 자율화하는 것은 현실적이지 않다. 비용도 많이 들고, 데이터와 시스템, 조직의 준비 수준도 충분하지 않을 가능성이 높다. 따라서 자율제조는 작고 명확한 문제에서 시작해야 한다. 예를 들면 다음과 같다. * 설비의 진동과 온도를 분석해 고장 가능성을 사전에 알린다. * 품질 데이터를 분석해 불량 가능성이 높은 제품을 자동으로 선별한다. * 주문량과 재고량을 비교해 생산계획 변경안을 제시한다. * 생산량을 유지하면서 에너지 사용량을 낮출 수 있는 운전조건을 추천한다. * 공정 이상이 발생하면 원인 후보와 표준 대응절차를 작업자에게 제공한다. * 작업자의 승인을 받아 제한된 범위에서 공정조건을 자동 조정한다. 여기서 중요한 것은 AI 모델의 정확도만이 아니다. AI의 판단이 실제 현장 조치로 연결되고, 그 결과가 다시 확인되는 구조가 만들어져야 한다. 예지보전 모델이 고장 가능성을 예측했지만 정비계획과 연결되지 않는다면 현장의 변화는 일어나지 않는다. 품질예측 모델이 불량 가능성을 알려주지만 공정조건을 조정할 수 없다면 불량을 미리 알고도 계속 생산하게 된다. 따라서 첫 번째 자율제조 과제는 다음의 조건을 만족해야 한다. **문제가 명확한가.** **필요한 데이터를 확보할 수 있는가.** **AI가 판단할 수 있는가.** **판단 결과를 실제 행동으로 연결할 수 있는가.** **실행 전후의 성과를 측정할 수 있는가.** 이 다섯 가지가 연결된 작은 성공사례를 만드는 것이 중요하다. --- ## 10. 경영진은 무엇을 기준으로 판단해야 하는가 자동화와 자율제조를 구분하기 위해 경영진이 로봇의 수나 AI 모델의 개수를 확인할 필요는 없다. 오히려 다음과 같은 질문을 해야 한다. **첫째, 생산조건이 달라졌을 때 우리 시스템은 이를 스스로 인식할 수 있는가.** **둘째, AI가 단순히 이상을 알려주는가, 아니면 원인과 대응방법까지 제시하는가.** **셋째, AI의 판단이 실제 작업지시와 생산계획, 설비제어로 연결되는가.** **넷째, AI의 판단을 실행하기 전에 안전성과 품질 영향을 검증할 수 있는가.** **다섯째, 실행 결과가 다시 시스템의 학습과 개선에 반영되는가.** 이 질문에 대부분 답하지 못한다면, 그 공장은 자동화 수준이 높더라도 아직 자율제조 공장이라고 보기는 어렵다. 앞으로 제조기업의 경쟁력은 설비를 얼마나 많이 자동화했는가만으로 결정되지 않을 것이다. **변화가 발생했을 때 공장이 얼마나 빠르고 정확하게 상황을 이해하고 대응할 수 있는가**가 더욱 중요해질 것이다. 자동화는 생산활동의 속도와 반복성을 높인다. 자율제조는 제조시스템의 적응력과 회복력을 높인다. 바로 이 차이를 이해하는 것에서 자율제조 전략은 시작된다. --- ## 마치며 자동화 공장은 정해진 조건에서 정해진 작업을 매우 잘 수행한다. 그러나 제조현장은 언제나 계획대로 움직이지 않는다. 원재료가 달라지고, 설비가 노후화되며, 수요와 생산계획이 변한다. 예상하지 못한 품질문제와 공정의 병목도 발생한다. 이러한 변화가 발생할 때마다 사람이 데이터를 확인하고 원인을 분석하며 대응해야 한다면, 그 공장은 자동화되어 있을 수는 있어도 자율적이라고 보기는 어렵다. 자율제조의 시대에는 질문이 달라진다. **“우리 공장에는 자동화 설비가 얼마나 많이 설치되어 있는가?”** 가 아니라, **“변화가 발생했을 때 우리 공장은 어디까지 스스로 판단하고 대응할 수 있는가?”** 를 물어야 한다. 자동화는 정해진 일을 대신 수행하는 기술이다. 자율제조는 변화의 의미를 이해하고, 필요한 행동을 선택하며, 그 결과로부터 다시 학습하는 운영체계다. 결국 자동화 공장에서 자율제조 공장으로의 전환은 더 많은 기계를 설치하는 문제가 아니다. **사람이 일일이 판단하던 제조의 의사결정 구조를 데이터와 AI, Digital Twin, 설비 실행이 연결된 구조로 바꾸는 것.** 그것이 자동화와 자율제조를 구분하는 가장 중요한 기준이다. 다음 글에서는 자율제조 공장이 데이터를 통해 어떻게 현재 상황을 보고, 판단하고, 실제 행동으로 연결하는지 살펴보고자 한다. **[자율제조 시리즈 ③] 자율제조는 어떻게 보고, 판단하고, 행동하는가?** --- ### 참고자료 * [NIST — 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing](https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing) * [NIST — Smart Manufacturing](https://www.nist.gov/smart-manufacturing) * [ISA — ISA-95 Standard: Enterprise-Control System Integration](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) * [ISO — ISO 23247-1:2021, Digital Twin Framework for Manufacturing](https://www.iso.org/standard/75066.html) * [ISO — ISO 23247-4:2021, Information Exchange for Manufacturing Digital Twins](https://www.iso.org/standard/78745.html) * [World Economic Forum — Global Lighthouse Network: The Mindset Shifts Driving Impact and Scale in Digital Transformation](https://reports.weforum.org/docs/WEF_Global_Lighthouse_Network_2025.pdf)
2026-08-08
[자율제조 시리즈 ①] 스마트공장의 다음은 무엇인가?
## 자율제조, AI Factory 그리고 제조업의 새로운 경쟁력 제조업의 디지털 전환을 이야기할 때 우리는 오랫동안 ‘스마트공장’을 이야기해 왔다. 설비를 연결하고, 데이터를 수집하고, MES를 구축하고, 생산현황을 실시간으로 확인하는 것. 여기에 AI를 적용해 품질을 예측하고 설비의 이상을 찾아내는 것까지. 분명 제조현장은 과거보다 훨씬 스마트해졌다. 그런데 최근 제조업의 현장을 둘러보면 새로운 질문이 등장하고 있다. **“스마트해진 공장은 이제 무엇을 할 수 있어야 하는가?”** 데이터를 보여주는 것만으로 충분한가. AI가 이상을 알려주는 것만으로 충분한가. 결국 사람이 데이터를 보고 판단하고 설비를 조작해야 한다면, 과연 그것을 ‘자율’이라고 부를 수 있는가. 최근 제조업에서 **자율제조(Autonomous Manufacturing), AI Factory, Industrial AI, Digital Twin, AI Agent, Physical AI**와 같은 키워드가 빠르게 부상하는 이유가 여기에 있다. 이제 제조업의 디지털 전환은 **‘연결과 가시화’에서 ‘판단과 실행’으로 이동하고 있다.** 이번 글을 시작으로 자율제조가 무엇이며, 기존 스마트공장과 무엇이 다른지, 그리고 제조기업은 앞으로 무엇을 준비해야 하는지를 몇 차례에 걸쳐 살펴보고자 한다. --- ## 목차 1. 스마트공장은 어디까지 왔는가 2. 자율제조는 스마트공장의 ‘다음 버전’이 아니다 3. 제조 AI의 변화가 생각보다 빠르다 4. AI Factory라는 새로운 개념 5. 자율제조를 만드는 핵심 기술 6. 중요한 것은 기술이 아니라 운영 방식의 변화다 7. 앞으로의 제조 경쟁력은 무엇이 될 것인가 8. ‘스마트한 공장’에서 ‘생각하는 공장’으로 9. 그래서 지금 무엇을 준비해야 하는가 10. 자율제조 시대, 경영진이 봐야 할 것은 기술 목록이 아니다 --- # 1. 스마트공장은 어디까지 왔는가 스마트공장의 발전을 단순하게 정리하면 **자동화 → 연결 → 가시화 → 지능화**의 흐름으로 볼 수 있다. 초기 제조혁신의 중심에는 자동화가 있었다. 사람이 하던 반복적인 작업을 PLC, 자동화 설비, 산업용 로봇이 대신했다. 생산성을 높이고 품질 편차를 줄이는 것이 중요한 목표였다. 그다음에는 연결이 시작됐다. 설비에 센서를 설치하고 데이터를 수집했다. MES, ERP, SCADA 등 다양한 시스템이 연결되면서 생산현장을 데이터로 바라볼 수 있게 됐다. 그리고 가시화가 이루어졌다. 생산량, 설비가동률, 품질, 재고, 에너지 사용량 등을 실시간으로 확인할 수 있게 됐다. 여기까지가 우리가 흔히 이야기하는 스마트공장의 기반이다. 다음 단계에서는 AI가 들어왔다. 설비 데이터를 분석해 고장을 예측하고, 머신비전으로 불량을 찾아내고, 생산조건과 품질 사이의 관계를 분석해 최적 조건을 찾기 시작했다. 즉, **데이터를 수집하는 공장 → 데이터를 이해하는 공장** 으로 발전한 것이다. 그런데 여기서 한 가지 질문이 남는다. **AI가 문제를 찾아냈다면, 그다음에는 누가 결정하고 누가 실행할 것인가?** 현재 많은 스마트공장은 여전히 사람이 최종 의사결정을 한다. AI가 “이 설비에 이상 가능성이 높습니다”라고 알려주면 엔지니어가 원인을 확인한다. AI가 “이 공정조건에서는 불량률이 증가할 가능성이 있습니다”라고 알려주면 작업자가 조건을 조정한다. 즉, **데이터 → AI 분석 → 사람의 판단 → 설비 실행** 이라는 구조다. 자율제조는 바로 이 지점에서 출발한다. --- # 2. 자율제조는 스마트공장의 ‘다음 버전’이 아니다 자율제조를 단순히 **“AI가 적용된 스마트공장”**이라고 설명하면 중요한 부분을 놓치게 된다. 자율제조의 핵심은 AI를 도입하는 것 자체가 아니라 **제조의 의사결정 구조가 바뀌는 것**에 있다. 기존 스마트공장이 > **사람이 데이터를 활용해 공장을 운영하는 시스템** 이었다면, 자율제조는 > **AI가 데이터를 이해하고 판단하며, 설비와 로봇이 이를 실행하는 시스템** 을 지향한다. 물론 모든 제조현장이 하루아침에 사람 없이 운영되는 것은 아니다. 제조는 안전과 품질, 생산중단, 설비손상 등 수많은 위험요소를 가지고 있다. 따라서 현실적인 자율제조는 단계적으로 발전할 가능성이 높다. **AI가 알려주는 단계** → **AI가 추천하는 단계** → **사람과 AI가 함께 결정하는 단계** → **AI가 제한된 영역에서 스스로 결정하는 단계** → **AI가 여러 공정을 연결해 자율적으로 운영하는 단계** 이렇게 보는 것이 현실적이다. 결국 자율제조의 핵심은 **Human-in-the-loop를 어떻게 줄여갈 것인가**에 있다. 사람을 없애는 것이 아니라, 사람이 반드시 판단해야 하는 영역과 AI가 판단할 수 있는 영역을 재정의하는 것이다. --- # 3. 제조 AI의 변화가 생각보다 빠르다 이러한 변화는 단순한 기술기업의 전망에 그치지 않는다. 세계경제포럼(WEF)의 **Global Lighthouse Network**는 2026년 6월 기준 238개의 선도 제조·공급망 사이트로 확대됐다. WEF는 최신 Lighthouse 사례에서 제조업의 변화가 개별 공정 최적화를 넘어 **End-to-End Intelligence, Human-Machine Collaboration, Sustainability**를 중심으로 전체 운영체계를 바꾸는 방향으로 진행되고 있다고 설명한다. 특히 주목할 부분은 AI의 역할이 달라지고 있다는 점이다. AI가 단순히 생산현장의 데이터를 분석하는 도구에 머무르는 것이 아니라, 생산과 품질, 설비, 공급망 등 다양한 의사결정 영역에 연결되고 있다. WEF 역시 2026년 제조업 동향을 설명하면서 **AI가 고립된 파일럿에서 핵심 운영역량으로 이동하고 있다**고 평가한다. 이 변화는 제조기업에 상당히 중요한 의미를 갖는다. AI가 단순히 생산현장의 분석 도구로 남는 것이 아니라, 생산계획과 품질, 설비, 물류, 유지보수 등의 의사결정에 직접 관여하기 시작했기 때문이다. 이제 제조 AI는 **“무슨 일이 일어났는가?”** 에서 **“무슨 일이 일어날 것인가?”** 를 넘어 **“그렇다면 무엇을 해야 하는가?”** 로 이동하고 있다. --- # 4. AI Factory라는 새로운 개념 최근 제조업에서 **AI Factory**라는 개념이 주목받는 것도 이러한 변화와 무관하지 않다. AI Factory를 단순히 “AI 솔루션이 많이 들어간 공장”으로 이해해서는 안 된다. 핵심은 AI가 공장 운영의 일부가 되는 것이다. 생산현장에서 발생하는 데이터를 AI가 이해하고, 생산·품질·설비·물류 등의 상황을 분석하며, 필요한 의사결정을 지원하거나 자동으로 수행하는 구조다. 따라서 AI Factory에서는 다음의 연결이 중요하다. **현장의 데이터** ↓ **AI의 인지와 판단** ↓ **Digital Twin을 통한 검증** ↓ **설비와 로봇의 실행** ↓ **결과 데이터의 재학습** 이러한 **Closed Loop**가 만들어져야 비로소 자율제조에 가까워진다. 결국 AI Factory와 자율제조의 핵심은 AI 모델 하나가 아니다. **데이터부터 실행까지 연결되는 전체 시스템**이다. --- # 5. 자율제조를 만드는 핵심 기술 자율제조를 하나의 기술로 생각하면 방향을 잡기 어렵다. 여러 기술이 서로 연결되는 하나의 시스템으로 이해해야 한다. ## ① 제조 데이터 가장 기본적이면서도 중요한 요소다. 센서, PLC, CNC, 로봇, 검사장비, MES, ERP 등에서 발생하는 데이터가 연결되어야 한다. 여기서 중요한 것은 데이터의 양이 아니다. **“이 데이터가 무엇을 의미하는가”를 AI가 이해할 수 있어야 한다.** 제품 LOT, 원재료, 설비상태, 공정조건, 작업정보, 품질결과 등이 시간축으로 연결되어야 한다. AI 시대의 제조 데이터 경쟁력은 결국 **데이터의 맥락(Context)**을 얼마나 잘 확보하고 있느냐에 달려 있다. NIST 역시 2026년 스마트제조 AI·ML 로드맵에서 산업 빅데이터의 복잡성, 데이터 관리, 이기종 센싱·제어시스템의 통합을 AI 확산의 중요한 과제로 제시하고 있다. --- ## ② AI와 AI Agent 제조 AI의 전통적인 영역은 예지보전, 이상탐지, 품질예측, 수율예측 등이었다. 이제는 생성형 AI와 Foundation Model, AI Agent로 영역이 확대되고 있다. 특히 AI Agent는 앞으로 주목할 필요가 있다. 기존 AI가 특정 질문에 답하거나 특정 문제를 예측했다면, Agent는 주어진 목표를 달성하기 위해 여러 단계의 작업을 연결할 수 있다. 예를 들어, > “생산량은 유지하면서 에너지 사용량을 줄여라.” 라는 목표가 주어진다면 생산계획을 확인하고, 설비별 에너지 데이터를 분석하고, 여러 조건을 비교하고, 최적 시나리오를 선택하는 과정까지 연결할 수 있다. 아직 제조현장에서 이를 곧바로 자율제어로 연결하는 것은 별개의 문제다. 그러나 **AI가 분석 도구에서 의사결정 지원을 넘어 업무 수행의 주체로 이동하고 있다는 점**은 주목해야 한다. 실제로 NIST는 2026년 제조 AI 워크숍에서 향후 산업용 자율 Agent의 신뢰성을 확보하기 위한 평가·검증·벤치마크 체계의 필요성을 논의하고 있다. --- ## ③ Digital Twin 자율제조에서 디지털트윈의 중요성은 더욱 커질 것이다. AI가 어떤 결정을 내렸다고 해서 실제 생산라인에 바로 적용하는 것은 위험할 수 있다. 그렇다면 가상환경에서 먼저 시험해 볼 수 있다. 생산조건을 변경했을 때 생산량은 어떻게 되는지, 병목은 어디에서 발생하는지, 품질에는 어떤 영향이 있는지를 디지털 공간에서 시뮬레이션하는 것이다. 따라서 디지털트윈은 단순한 3D 시각화 기술에서 **AI의 의사결정을 검증하는 시뮬레이션 환경**으로 역할이 확대되고 있다. NIST도 제조 디지털트윈을 단순한 시각화가 아니라 제조 데이터를 기반으로 활용하는 시스템으로 바라보고 있으며, ISO 23247을 포함한 디지털트윈 표준화의 중요성을 다루고 있다. --- ## ④ 로봇과 Physical AI AI가 아무리 똑똑해도 현실 세계에서 행동할 수 없다면 제조현장의 자율화에는 한계가 있다. 그래서 **Physical AI**가 중요해진다. AI가 카메라와 센서로 현실의 상황을 인식하고, 판단하고, 로봇이나 설비를 움직이는 것이다. 기존 로봇이 정해진 위치에서 정해진 동작을 반복했다면, 앞으로의 지능형 로봇은 상황을 인식하고 작업 목적에 따라 행동을 변경하는 방향으로 발전할 가능성이 높다. 결국 제조현장에서는 **AI Brain + Digital Twin + Robot** 의 결합이 중요한 기술적 기반이 될 것이다. NIST의 2026년 스마트제조 AI·ML 로드맵에서도 자율시스템, 고도화된 센싱과 인지, 디지털트윈, 로봇 등을 제조 AI의 주요 발전 영역으로 제시하고 있다. --- # 6. 중요한 것은 기술이 아니라 운영 방식의 변화다 여기서 제조기업의 경영진이 한 번 생각해 볼 필요가 있다. 자율제조의 핵심을 AI나 로봇 같은 개별 기술로만 바라보면 투자 방향이 분산될 수 있다. AI 검사 시스템을 구축하고, 디지털트윈을 만들고, 생성형 AI를 도입하더라도 각각의 시스템이 서로 연결되지 않는다면 공장은 여전히 사람이 판단하는 구조에 머무르게 된다. 결국 중요한 것은 **기술의 개수가 아니라 의사결정 구조의 변화**다. 지금까지 제조현장의 많은 의사결정은 사람의 경험에 기반했다. 숙련된 작업자와 엔지니어가 데이터를 보고 판단하고, 문제가 발생하면 경험과 지식을 활용해 해결했다. 자율제조는 이러한 경험과 지식을 데이터와 AI에 연결하고, 가능하다면 다시 시스템의 행동으로 연결하는 과정이라고 볼 수 있다. 따라서 자율제조는 기술혁신인 동시에 **운영혁신**이다. --- # 7. 앞으로의 제조 경쟁력은 무엇이 될 것인가 지금까지 제조기업의 경쟁력을 이야기할 때 원가, 품질, 납기, 생산성, 설비효율 등을 주로 이야기했다. 앞으로 여기에 새로운 역량이 추가될 가능성이 높다. **“얼마나 빠르게 스스로 판단하고 대응할 수 있는가.”** 수요가 갑자기 변했을 때 생산계획을 얼마나 빠르게 바꿀 수 있는가. 원재료의 특성이 달라졌을 때 공정조건을 얼마나 빠르게 최적화할 수 있는가. 설비 이상이 발생했을 때 생산중단을 최소화하면서 대응할 수 있는가. 불량이 발생했을 때 단순히 불량을 찾아내는 것이 아니라 원인을 추론하고 공정을 수정할 수 있는가. 이러한 능력이 앞으로의 제조경쟁력에서 중요한 요소가 될 것이다. WEF의 최신 Lighthouse 사례에서도 AI를 개별 생산공정이 아니라 공급망과 생산, 의사결정을 연결하는 **End-to-End Intelligence**로 확대하는 흐름이 나타나고 있다. 즉, 앞으로의 경쟁은 **스마트한 공장 하나를 만드는 경쟁에서 지능적인 제조 운영체계를 만드는 경쟁**으로 이동할 가능성이 높다. --- # 8. ‘스마트한 공장’에서 ‘생각하는 공장’으로 스마트공장의 지난 10여 년을 돌아보면 제조현장을 디지털화하는 과정이었다. 설비를 연결하고, 데이터를 모으고, 시스템을 구축했다. 앞으로의 변화는 조금 다를 것이다. **디지털화된 공장을 어떻게 지능화할 것인가.** 그리고 그 지능을 어떻게 실제 생산활동과 연결할 것인가가 중요한 과제가 될 것이다. NIST가 2026년 7월 발표한 AI·ML 스마트제조 로드맵은 산업 빅데이터, 자율시스템, 디지털트윈, 로봇, 공급망·물류 최적화뿐만 아니라 생성형 AI, Semantic AI, Explainable AI, LLM, Foundation Model 등을 제조 AI의 주요 영역으로 제시한다. 동시에 데이터 관리, 이기종 시스템 통합, 신뢰성·설명가능성 등을 중요한 과제로 꼽고 있다. 이는 자율제조가 단순히 새로운 설비나 솔루션을 도입하는 문제가 아니라 **제조 시스템 전체의 지능화**와 연결되어 있음을 보여준다. 결국 제조의 방향은 **연결 → 데이터 → AI → 판단 → 실행 → 학습** 이라는 하나의 흐름으로 수렴하고 있다. --- # 9. 그래서 지금 무엇을 준비해야 하는가 그렇다면 제조기업의 경영진은 무엇부터 준비해야 할까. 자율제조를 준비한다는 것이 당장 모든 공장을 무인화하겠다는 의미는 아니다. 오히려 다음과 같은 질문에서 시작해야 한다. **첫째, 우리 공장은 AI가 판단할 수 있을 만큼 데이터가 연결되어 있는가.** **둘째, 현재 사람의 경험과 판단에 의존하고 있는 의사결정은 무엇인가.** **셋째, 그중 AI가 먼저 지원하거나 자동화할 수 있는 영역은 무엇인가.** **넷째, AI의 판단을 실제 설비와 로봇의 행동으로 연결할 수 있는가.** **다섯째, 하나의 성공사례를 다른 라인과 공장, 공급망으로 확장할 수 있는가.** 특히 마지막 질문이 중요하다. 오늘날 제조 AI의 중요한 과제 중 하나는 **PoC에서 멈추지 않고 Scale-up하는 것**이다. 좋은 AI 모델 하나를 만드는 것보다 더 어려운 것은 그것을 실제 운영시스템에 넣고, 여러 라인과 여러 공장으로 확산하는 것이다. WEF가 2026년 Lighthouse 사례에서 강조하는 것도 바로 이러한 **확장 가능한 운영체계로의 전환**이다. 개별 기술의 성공보다 생산과 공급망 전체를 연결하고, 실제 운영성과로 이어지는 구조가 중요해지고 있다. 따라서 앞으로의 자율제조 전략은 **기술 도입 전략이 아니라 확산 가능한 운영모델을 만드는 전략**이어야 한다. --- # 10. 자율제조 시대, 경영진이 봐야 할 것은 기술 목록이 아니다 앞으로 제조현장에는 수많은 새로운 기술이 등장할 것이다. Generative AI, AI Agent, Digital Twin, Physical AI, 휴머노이드, Edge AI, 산업용 Foundation Model 등 이름도 계속 바뀔 것이다. 경영진이 모든 기술을 따라갈 필요는 없다. 오히려 중요한 것은 기술을 바라보는 기준을 갖는 것이다. **“이 기술이 우리 공장의 의사결정을 얼마나 빠르고 정확하게 만들고, 실제 실행까지 얼마나 연결해 주는가?”** 이 질문으로 기술을 바라보면 유행과 실질적인 혁신을 구분하기 쉬워진다. 자율제조의 본질은 AI가 아니다. **AI를 통해 제조의 의사결정 구조를 바꾸는 것**이다. 그리고 그 변화는 이미 시작됐다. --- # 마치며 스마트공장의 시대에는 **“우리 공장이 얼마나 디지털화되어 있는가?”**가 중요한 질문이었다. 자율제조의 시대에는 질문이 달라진다. **“우리 공장은 얼마나 스스로 판단하고 대응할 수 있는가?”** 그리고 한 단계 더 나아가면, **“우리 공장은 운영하면서 스스로 학습하고 진화할 수 있는가?”** 가 될 것이다. 결국 미래의 제조기업은 단순히 자동화된 공장을 가진 기업이 아니라, **데이터를 이해하고, AI로 판단하고, 디지털트윈으로 검증하고, 로봇과 설비로 실행하며, 그 결과를 다시 학습하는 제조 시스템을 가진 기업** 이 경쟁력을 갖게 될 것이다. 어쩌면 스마트공장의 다음 단계는 더 많은 자동화가 아닐지도 모른다. **공장이 스스로 생각하기 시작하는 것.** 그것이 자율제조가 우리에게 던지는 가장 중요한 질문이다. --- ## 참고자료 * [NIST — 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing](https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing?utm_source=chatgpt.com) * [World Economic Forum — New Global Lighthouse Sites Demonstrate How AI Is Rewiring Manufacturing and Supply Chains](https://www.weforum.org/press/2026/06/new-global-lighthouse-sites-demonstrate-how-ai-is-rewiring-manufacturing-and-supply-chains/?utm_source=chatgpt.com) * [World Economic Forum — Global Lighthouse Network: Transforming Advanced Manufacturing](https://www.weforum.org/stories/manufacturing-and-value-chains/global-lighthouse-network-transforming-advanced-manufacturing-0488514bed/?utm_source=chatgpt.com) * [NIST — Manufacturing Digital Twin Standards](https://www.nist.gov/publications/manufacturing-digital-twin-standards?utm_source=chatgpt.com) * [NIST — Artificial Intelligence (AI) for Manufacturing Workshop](https://www.nist.gov/news-events/events/2026/05/artificial-intelligence-ai-manufacturing-workshop?utm_source=chatgpt.com)